谷歌推出Antigravity智能科研平台，结合ProtNLM模型，可从氨基酸序列预测蛋白质功能，帮助生物学家快速筛选数百万未表征蛋白。研究者借此发现一种具抗呼吸道病原体潜力的新型抗菌肽候选物，已进入湿实验验证阶段。该平台整合数据库查询、结构分析与文献推理，简化新抗生素研发流程。

本文介绍了多种深度学习模型在蛋白质功能预测中的应用，包括Deep Motif Dashboard、ProteinNet数据集、基于3D蛋白结构的预训练方法、MBP框架和DeepGATGO层次预测方法。这些研究通过不同技术提升了蛋白质功能预测的准确性和效率，展示了图神经网络与大型语言模型结合的积极影响。

本文提出了一种针对图数据集的预训练策略和自监督方法，以提高图神经网络（GNN）在分子性质预测和蛋白质功能预测中的表现。研究表明，这些方法在多个蛋白质相关任务中取得了最先进的性能，显著提升了泛化能力和鲁棒性。

该文综述了蛋白质与分子建模的多项AI研究：Prot2Text融合图神经网络与大语言模型，结合序列、结构和文本预测蛋白质功能；xTrimoPGLM以千亿参数统一蛋白质理解与生成；SYN-FUSION结合图神经网络与Transformer预测分子性质；此外还涉及蛋白质二级结构预测、可溶性预测及可解释性研究。

本研究提出了一种新颖的方法Prot2Text，使用图神经网络和大型语言模型在编码器-解码器框架中，以自由文本形式预测蛋白质的功能。该多模态方法综合蛋白质序列、结构和文本注释等多种数据类型，提供了详细准确的描述。通过从SwissProt中提取多模态蛋白质数据集对模型进行评估，结果表明了多模态模型的转变性影响，特别是图神经网络和大型语言模型的融合。