AI又长本事了！只需一句话，就能生成蛋白质

记者10月22日从西湖大学获悉，该校科研团队与香港科技大学（广州）、中国科学院深圳先进技术研究院团队合作，搭建了名为Pinal的人工智能（AI）模型。

只需给该模型提供一句文字描述，它就能生成与已知天然蛋白序列不同、并可能具备实际功能的候选蛋白质。

相关研究成果日前在线发表于《自然》杂志。

蛋白质是生物大分子，其借助层层折叠出的精确空间结构，发挥各种特定功能。

“在冷冻电镜重构出的三维结构中，蛋白质呈现复杂而精密的折叠形态，成千上万个原子在纳米尺度内有序排布。

”西湖大学工学院特聘研究员原发杰介绍，蛋白质设计的难点正在于其结构高度精密，局部变化可能影响整体折叠和功能。

近年来，随着技术的快速发展，AI已能够预测蛋白质结构与序列之间的关系。

西湖大学科研团队希望更进一步，直接用自然语言描述蛋白质的功能，让AI生成对应的蛋白质序列。

Pinal概念图。

（图片由 GPT-Image-2生成）西湖大学供图

在研究过程中，科研团队发现，这一尝试需跨越巨大的数据鸿沟：已知蛋白序列数据规模庞大，但经实验验证功能的数据相对稀缺，AI模型难以建立功能文字和蛋白序列之间的可靠对应关系。

为破解难题，科研团队提出以蛋白质三维结构作为中间桥梁的技术路线，以此来开发和训练Pinal模型。

他们整合了多种来源的蛋白质数据，构建了覆盖约1.35亿条不同蛋白质序列的训练数据集。

通过为同一蛋白质配备多种语言表述，团队最终构建了包含约17亿条“蛋白质-文本”配对的AI合成训练数据集，为Pinal模型学习语言描述与蛋白质之间的关联提供了基础。

该模型运行大致分为三步：先根据文字生成蛋白质的结构蓝图，再依据结构排布氨基酸，最后对众多候选氨基酸序列打分，挑出最符合目标的候选序列。

科研团队选取荧光蛋白、降解PET塑料的酶、醇脱氢酶以及穿梭H蛋白四类功能迥异的蛋白质开展实验验证。

四类实验共同证实，Pinal模型可以设计出区别于已知天然蛋白序列且在实验中发挥目标功能的蛋白质。

原发杰表示，目前基于自然语言描述的蛋白质设计模型仍处于概念验证阶段，更多精细化的蛋白质功能设计需求，例如通过语言指令指定荧光蛋白的发光波段，是团队以及科技界当下面临的科研挑战。

来源：科技日报

OlmoEarth v1.3发布：Ai2推出全球卫星嵌入模型

该模型能够将一年的卫星观测数据压缩成数值指纹，最小分辨率下每个指纹对应10米乘10米的地面区域，同时也提供64平方米和128米分辨率的版本。

这种数值指纹捕捉的模式信息，可供其他软件用于区分农田、森林、矿区等不同类型的地表覆盖。

此前，使用OlmoEarth的主要方式是通过OlmoEarth Studio进行微调，针对每项任务训练一个模型，再将其应用于卫星数据以生成地图。

这种方式需要大量图形处理单元资源，以及下载和存储影像的能力。

此次发布的OlmoEarth嵌入浏览器是一款基于浏览器的地图制作工具。

这意味着任何人都可以将OlmoEarth用于实际工作，从追踪时间变化到寻找相似地点，无需注册登录即可使用。

嵌入数据代表了模型从数百万张卫星图像中学习到的内容。

OlmoEarth会读取一年的雷达图像及相关数据，包括Sentinel-1、Sentinel-2和Landsat的数据。

Sentinel和Landsat是提供地球互补视角的卫星任务：Sentinel-1测量雷达反射信号，而Sentinel-2和Landsat则捕捉可见光和红外波长的光线。

该公司表示，与以往版本的OlmoEarth模型相比，v1.3是其训练成本最低的模型。

其训练所用计算时间仅为最新版本（v1.2）的53%，为第一版（v1）的18%，碳排放量也分别仅为两者的50%和22%。

不过v1.2仍是一款强大的微调模型，对研究机构和合作实验室而言依然具有价值。

这些模型在现实世界中的应用场景 这些卫星模型有助于压缩跨越时间和空间的大量数据，这对于理解地球的变化方式非常有用。

在秘鲁马德雷德迪奥斯地区，围绕拉潘帕的非法金矿开采活动在2017年和2018年达到顶峰，在坦博帕塔国家保护区缓冲区内清除了超过1200公顷的森林。

亚马逊保护团队的MAAP监测项目报告了这一活动。

2019年2月，秘鲁的"水银行动"关闭了大部分采矿作业。

我们如何得知这一事实？ 嵌入数据给出了明确答案。

无需进行模型训练，仅通过比较不同年份的数据像素，观察2016年至2020年间的情况，可以清晰看到南部矿区带内有明显的向东扩张趋势：显著变化区域达34平方公里。

而同样的比较放在2020年至2024年间，这一面积降至9平方公里。

关闭行动的效果显而易见。

Ai2表示，对许多团队来说，针对某个想法测试OlmoEarth通常意味着需要进行一次微调运行，这是一项耗时数小时、成本高昂的艰巨任务。

而在浏览器工具中，初步分析仅需几秒钟即可完成。

仅凭少量标签对某个区域进行分析，无需使用GPU。

当某项任务确实需要进行微调实验时，嵌入数据可以帮助判断该实验是否值得投入计算时间，以及模型存在哪些不足之处。

人多抢网真烧心！从技术原理到实测数据，看天际通拥塞加速值不值

不知道大家有没有遇到过这种让人极度“烧心”的时刻：高铁站候车的时候，临时被拉进视频会议，画面非常卡；或者挤在晚高峰地铁里，手机右上角明明信号满格，微信却一直在转圈。

这通常不是基站没信号，也不是手机故障，大概率是“信道堵车”了。

当高密度人群在同一时空同时发起连接，基站的上下行信道资源被瞬间挤占，数据包只能排队，表现出来就是高延迟和高丢包。

那么，这个“拥塞加速”真的靠谱吗？我深度体验了一下，用这几天的行程实测数据说话。

场景一：高铁站商务办公 上周赶车出差，高铁候车厅人山人海，是典型的网络拥堵重灾区。

等车的时候，加入公司的视频会议，画面频繁卡顿，网络延迟一度飙升到380ms左右。

随后我打开华为天际通，在首页并一键开启服务（系统会智能感知网络，零门槛不用调参数）。

开启后再次观察会议监控面板，延迟迅速回落并稳定在75ms-90ms之间；从候车大厅一路检票上车，全程沟通连贯没掉线。

场景二：周末万人演唱会现场 周末去看了场演出，几万人聚集导致上行信道争抢极其激烈。

未开启加速时，用测速软件测得文件上传速度仅0.3MB/s，一段45MB的现场高清合唱视频，微信转圈了近两分钟还没传完。

开启拥塞加速后，重测上传速度提升至3.2MB/s左右，同样大小的高清视频十几秒就顺利发出了，演唱会现场也能及时分享。

场景三：晚高峰地铁通勤 回到日常晚高峰地铁，车厢里人挨着人。

不开加速追1080P剧集，15分钟内出现了4次加载缓冲；打开MOBA手游，游戏延迟飘红破300ms。

而启用拥塞加速后，追剧更顺畅，一路上拖动进度条基本即点即播，视频缓冲次数降为0；游戏内的ping值则被稳稳压在48ms-65ms的绿网区间，团战响应稳了不少。

总结： 智能感知、一键开启，在基站高负载场景下，华为天际通拥塞加速降延迟和提速上行的效果很直观。

但也需要和大家分享的是：它解决的是“人多抢网”的信道拥堵，如果身处信号较差的偏远地区、地下室和地下停车场等地点，它是无法凭空变出信号的。

目前该服务仅支持 华为鸿蒙5及以上设备，且需使用 移动/电信网络。

最后聊聊怎么选。

现在大家都是讲究性价比的“纯过日子人”，大流量包买多了用不完纯属浪费，所以可以按需购买，共有三档： 1小时包（9.9元）：9.9元起，不到一杯咖啡的钱，适合快速通勤、高铁站候车及短途高铁救急； 2小时包（14.9元）：折合7.45元/小时，适合看演唱会、中长途出行； 4小时包（21.9元）：折合低至5.48元/小时，适合长途高铁或全天移动办公。

如果你近期准备出门欣赏秋日，需要出差、看演唱，或者日常挤地铁，不妨打开华为天际通备上一单，关键时刻确实能少受不少网络卡顿的窝囊气。