研究把三维结构纳入语言模型思维链 提升蛋白质结构推理
要点
本源智简发布生物原生语言模型 Tetra-1 Preview,将蛋白质结构作为与文本并列的原生模态,推理与结构生成在同一链交替。低同源子集成功率53.1%,高于 AlphaFold 3 的25.0%与 Claude Opus 5.5 的21.9%。
11 月 10 日,AI for Science 初创公司 SimpleX 本源智简发布生物原生语言模型 Tetra-1 Preview,并开放试用。与「语言模型调用 AlphaFold 等外部工具」的通行方案不同,Tetra-1 将蛋白质结构作为与自然语言文本并列的原生模态,使语言推理与结构生成在同一条推理链中交替进行。
按照团队公布的运行方式,模型先依据问题描述提出生物机制假设,再推导出该假设对应的分子结构,随后对照生物学规律对结构进行自检与修正,如此迭代直至结构与机制相互印证。在 Runs N’ Poses 基准相似度 0 至 20% 的低同源子集上,研发方公布的结果显示 Tetra-1 成功率为 53.1%,高于 AlphaFold 3 的 25.0% 与 Claude Opus 5.5 的 21.9%;在 FoldBench 的蛋白质—蛋白质、抗体—抗原任务上,其 Top-1 成绩亦优于 AlphaFold 3 和 IsoDDE。
蛋白质结构预测曾被视为计算生物学的重要难题之一,AlphaFold 团队因相关成果获得 2024 年诺贝尔化学奖。上述评测数据由研发方公布,稿件按简讯口径仅作事实转述。
常见问题
Tetra-1 与常规蛋白质预测方案有何不同?
与「语言模型调用 AlphaFold 等外部工具」的通行方案不同,Tetra-1 将蛋白质结构作为与自然语言文本并列的原生模态,使语言推理与结构生成在同一条推理链中交替进行。
Tetra-1 的推理流程是怎样的?
模型先依据问题描述提出生物机制假设,再推导出该假设对应的分子结构,随后对照生物学规律对结构进行自检与修正,如此迭代直至结构与机制相互印证。
在低同源基准上 Tetra-1 表现如何?
在 Runs N’ Poses 基准相似度0至20%的低同源子集上,研发方公布的结果显示 Tetra-1 成功率为53.1%,高于 AlphaFold 3 的25.0%与 Claude Opus 5.5 的21.9%。
稿件对评测数据如何说明?
蛋白质结构预测曾被视为计算生物学的重要难题之一,AlphaFold 团队因相关成果获得2024年诺贝尔化学奖;上述评测数据由研发方公布,稿件按简讯口径仅作事实转述。




冀公网安备13068102000496号