NatureLM: Расшифровка языка природы для научных открытий

NatureLM: Deciphering the Language of Nature for Scientific Discovery

February 11, 2025

Авторы: Yingce Xia, Peiran Jin, Shufang Xie, Liang He, Chuan Cao, Renqian Luo, Guoqing Liu, Yue Wang, Zequn Liu, Yuan-Jyue Chen, Zekun Guo, Yeqi Bai, Pan Deng, Yaosen Min, Ziheng Lu, Hongxia Hao, Han Yang, Jielan Li, Chang Liu, Jia Zhang, Jianwei Zhu, Kehan Wu, Wei Zhang, Kaiyuan Gao, Qizhi Pei, Qian Wang, Xixian Liu, Yanting Li, Houtian Zhu, Yeqing Lu, Mingqian Ma, Zun Wang, Tian Xie, Krzysztof Maziarz, Marwin Segler, Zhao Yang, Zilong Chen, Yu Shi, Shuxin Zheng, Lijun Wu, Chen Hu, Peggy Dai, Tie-Yan Liu, Haiguang Liu, Tao Qin

cs.AI

Аннотация

Фундаментальные модели революционизировали обработку естественного языка и искусственный интеллект, значительно улучшив способность машин понимать и генерировать человеческие языки. Вдохновленные успехом этих фундаментальных моделей, исследователи разработали фундаментальные модели для отдельных научных областей, включая малые молекулы, материалы, белки, ДНК и РНК. Однако эти модели обычно обучаются изолированно, лишены возможности интеграции между различными научными областями. Признавая, что сущности в этих областях могут быть представлены в виде последовательностей, которые вместе формируют "язык природы", мы представляем модель Nature Language Model (кратко NatureLM) - на основе последовательностей фундаментальную научную модель, разработанную для научных открытий. Предварительно обученная данными из различных научных областей, NatureLM предлагает объединенную, универсальную модель, способную к различным применениям, включая: (i) генерацию и оптимизацию малых молекул, белков, РНК и материалов с использованием текстовых инструкций; (ii) генерацию/дизайн между областями, такие как преобразование белка в молекулу и белка в РНК; и (iii) достижение передовой производительности в задачах, таких как перевод SMILES в IUPAC и ретросинтез на USPTO-50k. NatureLM предлагает многообещающий обобщенный подход для различных научных задач, включая поиск лекарств (генерация/оптимизация хитов, оптимизация ADMET, синтез), разработку новых материалов и создание терапевтических белков или нуклеотидов. Мы разработали модели NatureLM различного размера (1 миллиард, 8 миллиардов и 46,7 миллиарда параметров) и обнаружили явное улучшение производительности с увеличением размера модели.

English

Foundation models have revolutionized natural language processing and artificial intelligence, significantly enhancing how machines comprehend and generate human languages. Inspired by the success of these foundation models, researchers have developed foundation models for individual scientific domains, including small molecules, materials, proteins, DNA, and RNA. However, these models are typically trained in isolation, lacking the ability to integrate across different scientific domains. Recognizing that entities within these domains can all be represented as sequences, which together form the "language of nature", we introduce Nature Language Model (briefly, NatureLM), a sequence-based science foundation model designed for scientific discovery. Pre-trained with data from multiple scientific domains, NatureLM offers a unified, versatile model that enables various applications including: (i) generating and optimizing small molecules, proteins, RNA, and materials using text instructions; (ii) cross-domain generation/design, such as protein-to-molecule and protein-to-RNA generation; and (iii) achieving state-of-the-art performance in tasks like SMILES-to-IUPAC translation and retrosynthesis on USPTO-50k. NatureLM offers a promising generalist approach for various scientific tasks, including drug discovery (hit generation/optimization, ADMET optimization, synthesis), novel material design, and the development of therapeutic proteins or nucleotides. We have developed NatureLM models in different sizes (1 billion, 8 billion, and 46.7 billion parameters) and observed a clear improvement in performance as the model size increases.