BioMatrix 实现分子蛋白文本原生统一建模
BioMatrix 实现分子、蛋白与文本的原生统一建模，在单一架构内无外部适配器覆盖80个任务，77个达到领先水平，是生物大模型走向多模态通才的关键一步。
BioMatrix 将分子序列、结构、蛋白序列、结构和自然语言统一到同一离散 token 空间，仅用单一 decoder 即可原生完成理解和生成，无需外部编码器或适配器。在覆盖80个生物下游任务的评测中，77个达到领先或竞争水平。
正文摘录
.jpg) 作者 | 论文团队 编辑 | ScienceAI 近年来，基础大模型正在加速进入生命科学与药物研发领域。从分子生成、蛋白质设计，到分子-蛋白相互作用预测，AI 正在帮助研究者更快地理解复杂生命系统。然而，生物世界并不是由单一模态构成的。 一个分子，既可以被表示为 SMILES 或 SELFIES 这样的序列，也可以被描述为三维构象，还可以出现在论文、专利或数据库的自然语言描述中；一个蛋白质，既有氨基酸序列，也有空间结构，还关联着功能、疾病、通路与实验背景。更重要的是，真实的生物任务往往不是「单个实体」的问题，而是分子与蛋白、蛋白与蛋白之间的相互作用问题。 现有生物基础模型通常只能覆盖其中的一部分：有的模型擅长序列与文本建模，却缺少显式结构能力；有的模型能够处理结构，却局限于蛋白或单一实体；还有一些系统依赖外部编码器、适配器或专门输出头，导致「能读某种模态，却不能原生生成这种模态」。 换句话说，现有生物大模型像一支各司其职的专家团队——有人懂序列，有人懂结构，有人懂文本，但它们之间需要翻译官（适配器/编码器）才能协作。BioMatrix 想做的是：让一个人同时掌握所有能力，不需要翻译。 为了补上这块关键拼图，中国人民大学、上海人工智能实验室的团队提出了 BioMatrix [1]：一个面向分子与蛋白的统一多模态生物基础模型。BioMatrix 将分子序列、分子结构、蛋白序列、蛋白结构与自然语言统一到同一个离散 token 空间中，在单一 decoder-only 架构下完成理解与生成，推动生物大模型从「多组件拼接」走向「原生统一建模」。