用贝叶斯优化和蛋白语言模型指导下一批蛋白突变体实验设计
Star55
24h 新增+1
7 天新增—
Fork2
Issue0
语言Python
项目介绍
更新于 1 天前
Protuna 是一个面向蛋白质工程的 AI 优化框架，可以理解为把贝叶斯优化和主动学习的思路搬到了蛋白突变体设计上：你给它历史突变数据或一个已知的活性分子，它会结合蛋白语言模型和打分函数，自动推荐下一批最值得做实验的变体序列。它支持用奖励引导的方式让蛋白语言模型朝着目标性质生成序列，内置零样本变体效应预测等打分方法，还能用 Ray 做分布式大规模筛选，并允许设置主目标加多个不等式约束（比如只优化活性但限制其他性质），同时可配置序列规则（固定位点、禁止某些氨基酸等）来约束搜索空间。适合做酶工程、抗体或药物先导化合物优化的生物信息、计算生物学和蛋白设计工程师，尤其是那些实验通量有限、需要每一轮聪明地挑选少量候选去做湿实验的团队；如果你不涉及蛋白序列设计，这个项目和你关系不大。
上手成本：中
Star 趋势
话题标签
active-learningbayesian-optimizationbioengineeringblack-box-optimizationdistributedexperimental-designlead-optimizationmachine-learningprotein-engineering
仓库信息
| License | MIT |
| 创建时间 | 2026-10-29 |
| 最后推送 | 6 天前 |
| 热度分 | 3.0 |