🤖 machine learning

MIMIC: A Generative Multimodal Foundation Model for Biomolecules

MIMIC ist ein generatives multimodales Foundation-Modell, das durch die Verknüpfung verschiedener biologischer Modalitäten wie Sequenz, Struktur und Evolution sowohl die Vorhersage komplexer molekularer Zustände als auch das gezielte Design von RNA und Proteinen ermöglicht.

Ursprüngliche Autoren: Siavash Golkar, Jake Kovalic, Irina Espejo Morales, Samuel Sledzieski, Minhuan Li, Ksenia Sokolova, Geraud Krawezik, Alberto Bietti, Claudia Skok Gibbs, Roman Klypa, Shengwei Xiong, Francois Lanusse

Veröffentlicht 2026-04-28

📖 3 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Siavash Golkar, Jake Kovalic, Irina Espejo Morales, Samuel Sledzieski, Minhuan Li, Ksenia Sokolova, Geraud Krawezik, Alberto Bietti, Claudia Skok Gibbs, Roman Klypa, Shengwei Xiong, Francois Lanusse, Liam Parker, Kyunghyun Cho, Miles Cranmer, Tom Hehir, Michael McCabe, Lucas Meyer, Rudy Morel, Payel Mukhopadhyay, Mariel Pettee, Helen Qu, Jeff Shen, David Fouhey, Hadi Sotoudeh, Vikram Mulligan, Pilar Cossio, Sonya M. Hanson, Alisha N. Jones, Olga G. Troyanskaya, Shirley Ho

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das Problem: Die „Silo-Experten“ der Biologie

Stell dir vor, du möchtest ein perfektes Drei-Gänge-Menü kochen. Aber du hast ein Team von Köchen, die absolut nicht miteinander reden:

Der eine Experte kennt nur Zutaten (die DNA/Sequenz).
Der zweite Experte weiß nur, wie man schöne Teller anrichtet (die Struktur der Proteine).
Der dritte weiß nur, wie die Temperatur im Raum ist (die Umgebung der Zelle).

Wenn du dem Zutaten-Experten sagst: „Mach mir ein Gericht“, weiß er nicht, ob er es für ein schickes Restaurant (eine gesunde Zelle) oder für ein schnelles Imbisswagen-Konzept (eine kranke Zelle) kochen soll. Er sieht nur die Liste der Zutaten, aber er versteht nicht das „große Ganze“. In der Biologie nennen wir das das Problem der „Silo-Modelle“: Jedes KI-Modell ist ein Spezialist für nur eine Sache, aber niemand versteht das Zusammenspiel von Genen, RNA und Proteinen.

Die Lösung: MIMIC – Der „Super-Dirigent“

Die Forscher haben nun MIMIC erschaffen. MIMIC ist nicht nur ein Koch, sondern ein Super-Dirigent eines riesigen Orchesters.

MIMIC versteht nicht nur die Noten (die Sequenz), sondern er hört auch auf die Instrumente (die Struktur), er weiß, wie die Akustik im Saal ist (die Umgebung der Zelle) und er kennt die Geschichte des Stücks (die Evolution).

Was macht MIMIC so besonders?

Das LORE-Archiv (Das ultimative Kochbuch): Damit MIMIC lernen konnte, mussten die Forscher zuerst ein gigantisches, perfekt sortiertes Archiv namens LORE bauen. Das ist wie ein Kochbuch, in dem nicht nur steht „Nimm Mehl“, sondern auch: „Wenn du Mehl nimmst, wird der Teig bei 20 Grad anders als bei 40 Grad, und das Ergebnis sieht auf einem blauen Teller so aus...“. Es verknüpft alle Informationen (DNA, Proteine, Struktur, Umgebung) miteinander.
Multimodales Denken (Der Alleskönner): Wenn du MIMIC sagst: „Ich habe diese DNA-Sequenz, aber ich möchte, dass das fertige Protein genau in diese Lücke eines Virus passt“, dann kann MIMIC das berechnen. Er kann „rückwärts“ denken. Er schaut sich das Ziel an und sagt dir: „Damit das klappt, muss deine DNA so und so aussehen.“

Was kann MIMIC in der Praxis? (Die Superkräfte)

Der „Reparatur-Mechaniker“ für Gene: Stell dir vor, in einem Bauplan (der DNA) hat sich ein Fehler eingeschlichen, der dazu führt, dass eine Maschine (ein Protein) falsch zusammengebaut wird. MIMIC kann diesen Fehler finden und – noch besser – Vorschläge machen, wie man den Bauplan an anderen Stellen so anpassen kann, dass die Maschine trotzdem perfekt funktioniert, ohne den Fehler selbst zu löschen.
Der „Designer“ für Medikamente: MIMIC kann neue Proteine entwerfen, die wie ein perfekt geschliffener Schlüssel in ein Schloss (z. B. ein Virus-Protein) passen. Er entwirft nicht nur die Form des Schlüssels, sondern achtet auch darauf, dass er die richtige „Oberflächenbeschaffenheit“ hat, damit er nicht abrutscht.
Der „Wetterbericht“ für die Zelle: Er kann vorhersagen, wie sich ein Molekül in einer bestimmten Umgebung verhält – zum Beispiel, ob es in einer heißen Zelle stabil bleibt oder sofort zerfällt.

Zusammenfassung

Früher hatten wir in der Biologie-KI viele kleine Spezialisten, die in ihren eigenen Kammern saßen. MIMIC ist der erste echte Generalist. Er verbindet die Sprache der Gene mit der Sprache der Proteine und der Sprache der Umgebung. Er ist wie ein Übersetzer, der nicht nur Wörter übersetzt, sondern auch die Emotionen, den Kontext und die Absicht hinter dem Gesagten versteht.

Das macht ihn zu einem mächtigen Werkzeug, um Krankheiten besser zu verstehen und neue, maßgeschneiderte Medikamente zu entwickeln.

Technische Zusammenfassung: MIMIC

1. Problemstellung (The Problem)

Die aktuelle Landschaft der KI in der Biologie ist durch "siloartige Experten" geprägt. Die meisten Foundation-Modelle sind auf eine einzige Modalität (z. B. nur Proteinsequenzen oder nur DNA-Sequenzen) spezialisiert oder auf eine spezifische Vorwärtsaufgabe (Forward Task, z. B. Sequenz $\rightarrow$ Phänotyp) beschränkt.

Das zentrale Problem ist, dass biologische Funktionen aus einem komplexen Zusammenspiel verschiedener Ebenen des Zentralen Dogmas entstehen (Sequenz, Struktur, Regulation, Evolution und zellulärer Kontext). Bestehende Modelle scheitern oft an Inversen Problemen: Zum Beispiel ist es schwierig zu bestimmen, welche Nukleotidsequenz die wahrscheinlichste Ursache für eine gewünschte Proteinstruktur, ein bestimmtes Splicing-Muster und eine spezifische mRNA-Stabilität ist. Zudem erschwert die Heterogenität der Daten (unterschiedliche Koordinatensysteme, Skalen und Quellen) die Erstellung eines vereinheitlichten Modells.

2. Methodik (Methodology)

A. LORE-Datensatz:
Um das Problem der fehlenden Daten-Ausrichtung zu lösen, entwickelten die Autoren LORE, einen massiv multimodalen, kuratierten Datensatz. Er verknüpft genomische, transkriptomische und proteomische Messungen (ca. 13 Mio. RNA-Transkripte und 15,5 Mio. Proteine) über 6.000 Organismen hinweg. Das Besondere ist die Alignment-Strategie: Verschiedene Modalitäten (z. B. evolutionäre Konservierung, chemisches Probing, Oberflächenchemie) werden auf dieselbe biologische Entität ausgerichtet, sodass das Modell lernt, fehlende Komponenten aus vorhandenen zu inferieren.

B. MIMIC-Architektur:
MIMIC ist ein generatives Foundation-Modell mit 1 Milliarde Parametern, das eine neuartige Split-Track Encoder-Decoder-Architektur nutzt:

Split-Track Tokenisierung: Anstatt alle Daten in eine extrem lange Sequenz zu pressen, werden biologisch korrelierte Merkmale in "Tracks" gruppiert (z. B. ein Nukleinsäure-Track, ein Aminosäure-Track). Merkmale, die dasselbe Koordinatensystem teilen (z. B. Sekundärstruktur und Sequenz), werden elementweise aufsummiert. Dies hält die Sequenzlänge handhabbar.
Semantische Konditionierung: Unstrukturierte Informationen (z. B. Zelltyp, Experimentelle Bedingungen) werden als Text-Tokens in einen gemeinsamen semantischen Einbettungsraum integriert.
Encoder-Decoder mit Cross-Attention: Der Encoder verarbeitet die multimodalen Inputs (bis zu 10.000 Tokens), während ein Decoder mit einem kürzeren Fenster (1.000 Tokens) genutzt wird, um Zielmodalitäten zu rekonstruieren oder zu generieren.
Register Tokens: Speziell gelernte Tokens aggregieren den globalen Zustand über alle Tracks hinweg.

C. Training:
Das Modell wurde mittels eines staged curriculum trainiert, bei dem das Kontextfenster schrittweise von 1k auf 10k Tokens vergrößert wurde. Ein heuristisches Pathway-Sampling stellt sicher, dass seltene, aber wertvolle Kombinationen von Modalitäten (z. B. Struktur + Splicing) ausreichend repräsentiert sind.

3. Hauptergebnisse (Key Results)

Sequenz-Rekonstruktion: Durch die multimodale Konditionierung erreicht MIMIC eine signifikant höhere Genauigkeit bei der Inpainting-Aufgabe (Rekonstruktion maskierter Teile) für sowohl Proteine als auch Nukleinsäuren im Vergleich zu rein sequenzbasierten Modellen.
Downstream-Benchmarks:
- Proteine (PFMBench): MIMIC übertrifft spezialisierte Modelle in Aufgaben wie Protein-Ligand-Bindung und Entwicklungsfähigkeit (Developability).
- RNA (mRNABench): Das Modell setzt neue Maßstäbe bei der Vorhersage von RNA-Funktion, Lokalisation und Translationsregulation.
Splicing-Vorhersage: MIMIC erreicht State-of-the-Art-Ergebnisse bei der Vorhersage von Splicing-Stellen (Donor/Acceptor) und kann sogar die gesamte Splicing-Architektur eines Transkripts unter Berücksichtigung von Transkriptionsgrenzen (TSS/TES) vorhersagen.
Generatives Design:
- RNA-Design: Das Modell kann korrigierende Edits für die $\beta$ -Globin-Mutation (HBB) vorschlagen, die das pathogene Splicing unterdrücken, ohne die Mutation selbst zu entfernen.
- Protein-Design: MIMIC generiert diverse, hochkonfidente Proteinsequenzen, die auf spezifische Oberflächengeometrien und chemische Eigenschaften (MaSIF) konditioniert sind (z. B. für PD-L1 und hACE2).
Kontext-Sensitivität: MIMIC kann RNA-Reaktivität (RASP2) basierend auf der Beschreibung der experimentellen Bedingungen (z. B. in vivo vs. in vitro) präzise vorhersagen, was die Modellierung der RNA-Sekundärstruktur massiv verbessert.

4. Bedeutung (Significance)

MIMIC stellt einen Paradigmenwechsel in der biologischen Modellierung dar:

Von Vorwärts- zu Invers-Modellen: Es ermöglicht nicht nur die Vorhersage von Eigenschaften aus einer Sequenz, sondern auch das Design von Sequenzen basierend auf gewünschten biologischen Funktionen.
Einheitliches Framework: Es überbrückt die Lücke zwischen Genom, Transkriptom und Proteom innerhalb eines einzigen Modells.
Semantische Integration: Die Fähigkeit, experimentellen Kontext als "Sprache" zu verstehen, erlaubt eine dynamischere und realistischere Modellierung biologischer Prozesse, die nicht nur von der Sequenz, sondern auch von der Umgebung abhängen.

Zusammenfassend positioniert sich MIMIC als eine fundamentale Plattform, die Repräsentationslernen, konditionierte Vorhersage und biologisches Design in einem einzigen, kohärenten System vereint.