Probing and steering biology across Boltz-1s trunk-diffusion boundary

蓝图与建筑师：AI 如何“思考”蛋白质

想象一下，你正试图搭建一座复杂的乐高城堡。你有一位总建筑师，他看着你的积木清单（指令），确定整体形状、配色方案以及塔楼应该放置的位置。然后，你有一位建筑师，他根据这些计划，将积木一块接一块地拼凑在一起，直到城堡屹立成型。长期以来，科学家们一直对自然界中这两个角色是如何运作的感到着迷。在现实世界中，蛋白质是维持我们生命的微型机器，它们的形状决定了它们的功能。多年来，我们一直不知道如何仅凭指令就预测它们的形状。但最近，强大的 AI 模型已经学会了做到这一点，它们同时扮演了建筑师和建筑师的双重角色。

这些 AI 模型分为两个截然不同的阶段。首先是“躯干”（Trunk），这是一个深度思考引擎，它处理氨基酸序列（指令），并确定蛋白质的总体几何结构和化学特性。这就像建筑师在绘制蓝图。第二是“扩散模块”（Diffusion Module），这是一个生成引擎，它拿着那份蓝图，一步步地、原子逐个地构建出最终的三维结构。这就是建筑师在拼凑积木。科学家们一直在问一个大问题：当信息从“思考的建筑师”传递到“建造的机器”时，信息会发生变化吗？建筑师是否仍然“知道”化学细节，还是它只关心形状？理解这一点有助于我们了解这些 AI 模型是真的理解了生物学，还是仅仅在记忆模式，以及我们是否真的可以“引导”它们去设计新事物。

---

伟大的分裂：当蓝图遇见建筑师

在这项研究中，研究人员仔细观察了名为 Boltz-1 的特定 AI 模型内部，以观察信息在“躯干”（思考者）与“扩散模块”（建造者）之间的边界处是如何流动的。他们将这个 AI 视为一个可以窥视内部的“黑盒”，利用特殊工具读取模型每一层的“想法”（激活值）。

建筑师无所不知
当他们观察“躯干”时，发现它拥有极其丰富的信息量。它保留了两类主要信息：

1. 几何结构： 物理形状，例如蛋白质的一部分是螺旋形（helix）、平整的片层（strand），还是松散的卷曲/无序状态（coil/disorder）。
2. 序列化学： 建筑模块的具体化学身份，例如哪个氨基酸位于何处，或者是否存在特殊的化学标签，如信号肽或二硫键。

研究人员可以轻松地从“躯干”的内部状态中“读取”这两类信息。这就像建筑师拥有一份关于每块积木的颜色和类型，以及最终形状的完美且详细的清单。

建筑师丢失了细节
然而，当信息跨越边界进入“扩散模块”时，发生了一场奇妙的分裂。建筑师完美地保留了几何结构。即使在模型开始构建最终的三维形状时，它仍然清晰地“知道”螺旋和片层的位置。但是，化学信息开始消退。具体的化学身份，如信号肽和二硫键，变得越来越难以检测。到建筑师完成工作时，化学细节已基本消失，而形状依然清晰锐利。

这就像建筑师收到了设计图，准确理解了墙壁和塔楼应该放在哪里，但却忘记了积木原本是什么颜色。该模型利用化学细节来确定形状，但一旦形状正在被构建，它似乎就不再需要将这些化学细节保留在活跃记忆中了。

我们能否“引导”AI？

研究人员随后提出了一个大胆的问题：如果我们能读取这些想法，我们能否也改变它们？他们尝试通过在“躯干”将蓝图交给建筑师之前，对其进行微小的推动来“引导”模型。他们在“让更多螺旋出现”或“让更多片层出现”的方向上施加了一个微小的推力。

• 成功案例： 当他们推动模型产生更多的**螺旋（helices）或卷曲（coils）**时，模型听从了！预测的结构正如他们所期望的那样发生了变化，出现了更多的螺旋或卷曲。这证明了模型确实是在因果性地利用这些特定方向来构建形状。
• 意外发现： 当他们尝试对**片层（strands）**进行同样的操作时，尽管模型可以轻易地“读取”出“片层”的方向（它是高度可预测的），但这种推动却毫无作用。最终结构中的片层数量并没有改变。

这表明了一个关键的局限性：仅仅因为一个模型能够“预测”某件事，并不意味着你可以通过改变大脑的那个特定部分来“控制”它。研究人员怀疑，“片层”取决于氨基酸对之间的相互作用（这是由模型记忆中不同部分的细节处理的，而他们并未触及），而螺旋则更具局部性，可以直接控制。

缺失标签的陷阱

论文还揭示了测试这些 AI 模型时的一个棘手问题。科学家通常通过将 AI 的预测与现有的蛋白质形状数据库进行对比来检查其准确性。然而，这些数据库通常是“稀疏”的——这意味着它们只对科学家已经在实验室中研究过的部分蛋白质进行了标注。

研究人员发现，当他们使用这些稀疏标签来测试 AI 时，看起来 AI 犯了很多错误（假阳性）。但当他们将 AI 与“密集”标签集（即每一个部分都被标注了）进行比较时，AI 看起来要聪明得多。这些所谓的“错误”实际上是 AI 对数据库尚未标注的部分所做出的正确预测。这就像一名学生在考试中拿了 A，但老师却判他错，因为答案解析里只列出了老师决定问的问题，而忽略了学生其他正确的回答。这意味着我们可能低估了这些模型的真实水平。

这对未来意味着什么

研究结论指出，虽然像 Boltz-1 这样的 AI 模型非常强大，但它们并非魔法。它们有着明确的分工：“思考”部分持有所有的化学和结构细节，但“建造”部分几乎完全专注于几何结构。此外，能够“读取”一个特征并不保证你能“控制”它。

研究人员建议，如果我们想要利用这些模型来设计新的蛋白质，我们需要保持谨慎。我们不能仅仅假设因为模型“知道”某种化学特征，我们就能强迫它利用该特征来构建新事物。而且，在测试这些模型时，我们需要小心，不要仅仅因为参考数据不完整就对其进行严苛的评判。这提醒我们，即使是最聪明的 AI 也有其独特的思维方式，在真正能够引导它之前，我们需要先学会它的语言。