随着人工智能的发展，蛋白质工程进入AI辅助设计阶段。为降低使用门槛，上海交通大学开发了VenusFactory平台，简化数据检索和模型训练，支持无代码操作，促进生物科学研究。该平台整合多个数据库，提供核心任务评测，助力科学家高效研究。

本研究提出了一种新型蛋白质语言模型Prot42，旨在解决传统蛋白质工程的复杂性和资源消耗问题。Prot42能够生成高亲和力的蛋白质结合剂，并处理长达8192个氨基酸的序列，显著提升计算蛋白设计能力。

本研究探讨神经符号人工智能（NeSy）在医疗领域的应用，特别是在药物发现和蛋白质工程中的潜力。NeSy结合符号推理与深度学习，能够处理复杂医疗数据并提供解释能力，提出了改进策略和未来实验建议。

VenusFactory是一个统一的蛋白质工程数据检索与语言模型微调平台，旨在解决数据收集和任务基准测试的挑战，促进计算机科学与生物学的跨学科合作。

上海交通大学洪亮教授团队推出了VenusMutHub，这是首个针对真实应用场景的蛋白质突变小样本数据集，并提出了评测标准。该研究克服了现有高通量数据集的局限性，为蛋白质工程提供实用指导，推动了蛋白质功能预测的发展。

近年来，产学研用结合在AI领域愈发重要。洪亮教授指出，科研应关注实际问题，AI在蛋白质工程等领域取得了重要突破，推动产业化。团队合作与跨学科研究是成功的关键，未来需继续探索AI与科学的结合。

浙江大学团队开发了去噪蛋白质语言模型（DePLM），通过去除无关进化信息，提高蛋白质优化和泛化能力。DePLM在突变效应预测中优于现有模型，并能有效泛化到新蛋白质。研究结合进化信息与实验数据，推动蛋白质工程发展。

在「Meet AI4S」直播中，周子宜博士介绍了蛋白质语言模型（PLM）在蛋白质工程中的应用。PLM通过建模蛋白质序列的共进化信息来预测突变的适应性，并生成蛋白质。研究重点包括检索增强型、多模态PLM和小样本学习方法FSFP。FSFP通过排序学习、LoRA和元学习提升性能，适用于不同PLM。未来方向包括AI辅助定向进化中的主动学习策略。

浙江大学的研究团队提出了一种名为InstructProtein的模型，通过知识指令对齐蛋白质语言和人类语言，实现了双向生成能力。该模型在蛋白质序列理解和设计方面优于现有的大语言模型。研究人员使用UniProtKB构建了蛋白质知识图谱，并通过指令数据集进行模型微调。InstructProtein能够准确预测蛋白质的功能和位置，对蛋白质工程和药物发现具有重要意义。该研究为蛋白质大模型的发展提供了新的思路和方法。

酶工程和蛋白质工程是改进蛋白质产品的方法。传统湿实验方法耗时且有限，深度学习模型需要大量数据。行业需要一种不依赖湿实验数据的准确预测方法。目前的无监督预训练模型精度低且无法利用湿实验数据进行微调。

上海交通大学洪亮课题组研发了一种名为PROTLGN的微环境感知图神经网络，能够从蛋白质三维结构中学习并预测有益的氨基酸突变位点，指导蛋白质设计。PROTLGN具有更高的效率和准确性，可用于突变预测、荧光蛋白优化、VHH抗体设计和Ago蛋白突变等方面。此外，PROTLGN还能预测蛋白质的亚细胞定位。