摘要：《科学》杂志发布的研究展示了一种名为ESM3的多模态生成语言模型，该模型通过AI技术模拟了蛋白质在5亿年进化中的变异与选择过程。研究人员将蛋白质的序列、结构和功能编码为离散符号，通过大规模语言建模生成高度创新的蛋白质变体。

近日，两项重要研究分别在蛋白质设计和医疗诊断领域展示了人工智能（AI）的强大潜力，为基础科学研究与临床医学应用带来全新可能。

《科学》杂志发布的研究展示了一种名为ESM3的多模态生成语言模型，该模型通过AI技术模拟了蛋白质在5亿年进化中的变异与选择过程。研究人员将蛋白质的序列、结构和功能编码为离散符号，通过大规模语言建模生成高度创新的蛋白质变体。

研究表明，ESM3模型能够生成自然界中从未发现的功能性蛋白质，其中一个亮点是成功设计了一种与已知荧光蛋白仅有58%序列相似性的绿色荧光蛋白（esmGFP）。实验验证表明，该蛋白尽管亮度和成熟速度较自然荧光蛋白略低，但其功能完全可行，展示了AI在蛋白质设计中的创造性能力。这一技术有望加速药物研发、酶工程和生物材料开发等领域的进展。

《自然·医学》杂志的研究团队推出了名为MedFound的通用医学语言模型（GMAI），具有1760亿参数，专为疾病诊断辅助设计。该模型利用6.3亿条医学文本和真实世界电子健康记录进行预训练，并通过自引导推理与诊断偏好对齐策略实现优化。

MedFound模型在8个医疗专科的常见病和罕见病诊断中表现出色，Top-3诊断准确率平均达89.2%，显著超越现有的医疗AI模型。此外，与医生的对比研究表明，该模型在内分泌学和肺病学领域的诊断准确性与资深医生相当，且在辅助年轻医生时显著提升了其诊断能力。

研究还构建了CLEVER框架，对AI模型在临床场景中的表现进行了全面评估，涵盖医学理解、诊断推理、风险管理等八大指标。结果显示，MedFound模型不仅能帮助医生提高诊断效率，还能够通过优化对齐策略降低错误诊断和潜在风险。

这两项研究展示了AI在基础科学研究与应用领域的前沿突破。ESM3为生物学中的蛋白质工程问题提供了全新解决方案，而MedFound则通过数据驱动的推理能力展现了AI在医学领域的广泛适用性。随着技术的不断发展，AI有望推动生物学与医学进入前所未有的创新时代。

来源：科学连线