BioBridge: Proteine und Sprache vereint – neue KI für biologisches Denken

In der Forschung zur Proteinverarbeitung haben sich zwei mächtige Techniken bislang getrennt: Protein‑Sprachmodelle (PLMs) bieten tiefe Einblicke in Aminosäuresequenzen, aber ihre Anpassungsfähigkeit an verschiedene Aufgaben ist begrenzt. Auf der anderen Seite ermöglichen generelle Large Language Models (LLMs) ein breites Verständnis von Text, doch sie fehlen die Fähigkeit, Proteinsequenzen zu interpretieren und besitzen nicht die fachspezifischen Kenntnisse, die für biologische Fragestellungen nötig sind.

Um diese Lücke zu schließen, wurde BioBridge entwickelt – ein domänenadaptives, kontinuierliches Pre‑Training‑Framework, das die Stärken beider Ansätze kombiniert. Durch Domain‑Incremental Continual Pre‑Training (DICP) werden Protein‑Domänenwissen und allgemeine Sprachkorpora gleichzeitig in ein LLM integriert, wodurch das Modell sowohl spezifische biologische Nuancen als auch generelle Sprachkompetenz erwirbt, ohne dabei das zuvor Gelernte zu verlieren.

Ein zentrales Element von BioBridge ist die Cross‑Modal‑Alignment‑Pipeline, die Protein‑Embeddings mithilfe eines PLM‑Projectors in den semantischen Raum des LLM abbildet. Anschließend erfolgt eine end‑to‑end‑Optimierung, die das Modell für eine Vielzahl von Aufgaben gleichermaßen leistungsfähig macht – von der Vorhersage proteinbezogener Eigenschaften bis hin zu wissensbasierten Frage‑Antworten.

Die Ergebnisse zeigen, dass BioBridge die Leistung führender PLMs bei Protein‑Benchmarks wie EC und BindingDB erreicht und gleichzeitig mit LLMs auf allgemeinen Verständnisaufgaben wie MMLU und RACE konkurriert. Damit demonstriert BioBridge, dass die Kombination von domänenspezifischer Anpassungsfähigkeit und genereller Sprachkompetenz ein vielversprechender Ansatz für die Zukunft der biologischen KI ist.