模型采用Transformer架构和掩码语言模型
学习了蛋白质序列、结构的复杂语义及其与蛋白质功能之间的关系
借助多任务学习方法赋予的零样本预测能力
结合少量实验结果对模型进行强化学习
实现跨越结构,直接预测蛋白质功能
打造了“人工智能计算+少量实验”的蛋白质设计新范式
AccelStb 稳定性提升
AccelAct 活性增强
AccelAff 亲和力成熟
AccelDN 从头设计
AccelPH 耐酸性耐碱性提升
Accellmm 免疫原性优化
改造范围大 实现全局搜索
研发周期短 CRO:2-6个月、产品:6-12个月
效率高 约100个实验
通用性强 对多类蛋白进行多指标优化