蛋白质是大而复杂的分子，在所有活细胞中起着至关重要的作用，是生命活动的执行者，它们会自然地构建、修饰和分解我们细胞内的其他分子，蛋白质还广泛用于工业过程和产品以及我们的日常生活中。以蛋白质为基础的药物也非常普遍，例如治疗糖尿病的胰岛素，就是最常用的处方药之一，一些昂贵的抗癌药物也是基于蛋白质的抗体药。
如果想改造出与自然界发现的蛋白质或酶不同的蛋白质和酶，目前使用的蛋白质工程的方法，依赖于将随机突变引入蛋白质序列，但是，每引入一个额外的随机突变，蛋白质活性就会下降。而且，整个过程非常缓慢，需要进行多轮非常昂贵且耗时的实验，以筛选出数百万个蛋白变体。
瑞典查尔姆斯理工大学等单位的研究人员在Nature子刊Nature Machine Intelligence发表了题为：Expanding functional protein sequence spaces using generative adversarial networks的研究论文。
研究团队开发了一种名为ProteinGAN的基于AI的生成式深度学习方法，该方法能够产生新型的、有功能活性的蛋白质，而且整个过程非常快，仅需几周时间就能从计算机设计到得到有功能活性的蛋白。这项研究代表了合成蛋白质领域的新突破，有助于更快速、更经济地开发基于蛋白质的治疗药物。
生成式对抗网络（Generative Adversarial Networks，GAN）是一种深度学习模型，该模型之前因用于生成以假乱真的照片和视频而闻名。但是在这项研究中，研究团队尝试用GAN产生具有类似天然蛋白质的物理特性的高度多样化的蛋白质变体，并对这些蛋白质进行测试。研究团队通过为AI提供大量来自经过深入研究的蛋白质的数据，让AI研究了这些数据后，开始尝试根据它创建新的蛋白质。
同时，AI的另一部分尝试弄清楚新合成蛋白是否是假的，蛋白质在系统中来回循环，直到AI无法区分其是天然蛋白质还是合成蛋白质为止。实际上，我们日常广泛使用的蛋白质并不总是完全天然的，有很多是通过合成生物学和蛋白质工程技术制成的。使用这些技术，对天然蛋白质序列进行了修饰，以期创建合成新型蛋白质变体，希望这些变体更加有效、稳定。
但是传统方法最大的问题在于效率低下，昂贵且耗时，因此，基于AI的新方法加快对蛋白质的改造，能够大大降低研发成本，对于开发基于蛋白质的药物（例如抗体和疫苗）以及工业酶非常重要。这项研究由瑞典查尔姆斯理工大学、立陶宛维尔纽斯大学，以及一家位于立陶宛的创业公司Biomatter Designs合作完成。Biomatter Designs创立于2021年，于2021年1月份获得了50万欧元的种子轮投资。
研究团队表示，下一步将探索如何将该技术用于蛋白质特性的特定改进，例如提高稳定性，这可能会给工业技术、以及疾病治疗中使用的蛋白质产生极大改进和提升。