📌 项目地址：Biohub/esm | ⭐ 2,570 颗星 | 🔧 Jupyter Notebook | 📜 未标注
这不是一个模型，是一套系统
Biohub 最近放出的 esm 仓库（2570 星），核心不是单个模型，而是一套包含三件东西的系统：
- ESMC：下一代蛋白质语言模型，6B 参数，在数十亿条序列上训练。强项是学了进化规则，能直接做序列到表示的映射。
- ESMFold2：基于 ESMC 6B 的结构预测模型。不需要 MSA，单条序列就能输出结构，速度约快 10 倍。
- ESM Atlas：68 亿条蛋白质的数据库，其中超过 10 亿个结构由 ESMFold2 预测。团队用稀疏自编码器把模型的内部表示拆成了约 16000 个可解释特征。
三件东西共享同一个根基：从蛋白质序列中学到的“世界模型”。你能从序列出发，一路走到结构预测、功能注释，甚至设计出能进实验室验证的分子。
ESMC：新缩放逻辑
ESMC 和上一代 ESM2 的关键区别，我读下来的理解是：随着参数增长，它对远程结构关系的理解能力提升更明显。蛋白质里相距很远的残基如何折叠到一起，这个能力在二硫键预测、跨膜区识别这类任务上会直接体现。
它到底比 ESM2 强多少？README 用了“定义了新的缩放前沿”这个说法，但具体的基准测试数据需要你去预印本里翻。官方提供了在线试用入口：biohub.ai/esm/protein，输入一条序列就能拿到 embedding。
想深入用的话，cookbook/tutorials 目录里有 Jupyter notebook，从 embedding 提取到微调都有。问题是 6B 模型的推理需要 A100 级别的显卡。小团队可以先用官方提供的 300M 或 650M 版本试试水。README 没写具体差距多大，我的建议是：先跑小版本验证你的任务是否适合，再决定是否上大版本。
ESM Atlas：68 亿条序列的“认知地图”
这一块我觉得比结构预测本身更有意思。
Atlas 收录了 68 亿条蛋白质序列，覆盖了已知生物多样性的几乎全部。E SMFold2 的折叠吞吐量支撑了超过 10 亿个结构的预测。但团队做的远不止这些：
他们用稀疏自编码器，把 ESMC 模型内部的表示拆解成了约 16000 个特征。 每个特征对应一个生物学概念：“结合 ATP”、“跨膜螺旋”、“锌离子结合位点”。
关键点在于：这些特征是跨序列的。 你在 Atlas 里搜索“有结合ATP特征的蛋白”，两条序列即使完全不同也能被关联起来。特征描述不是人工标的——团队用了一个自动化管线，把每个特征映射到 UniProt、GO 等已知数据库，然后用自然语言把每个特征总结出来。
说白了：Atlas 把 ESMC 这个“黑盒”学到的内部概念，翻译成了人类能读懂的生物学描述。你能直接看到模型认为哪些蛋白在功能上相关，哪怕它们序列完全不同。这是语言模型给蛋白生物学带来的独特视角：不是靠序列相似性，而是靠功能语义做聚类。
官方入口：biohub.ai/esm/protein/atlas
ESMFold2：单序列折叠 + 反向设计
结构预测：不要 MSA
ESMFold2 的核心卖点很简单：给你一条序列，它在几秒到几分钟内输出一个结构。对比 AlphaFold2 需要从多个数据库中搜索 MSA，ESMFold2 直接在模型内部做了编码。
在 Foldbench 的两类任务上——蛋白-蛋白复合物和抗体-抗原复合物——README 说 ESMFold2 的 DockQ 通过率已经超过了其他模型。当然，精度上它和 AlphaFold2 各有取舍，但如果你只需要对单条序列做个快速结构预测，ESMFold2 的效率优势很明显。
反向使用：从结构到序列
更有实战价值的是 反向使用。团队把 ESMFold2 反过来用：你先给出目标蛋白的结构，它生成能与之结合的蛋白序列。
他们在五个治疗靶点上做了实验验证。设计了两类分子：
- de novo minibinder：从零设计的结合蛋白
- 抗体衍生的 scFv（单链可变区片段）
结果达到了纳摩尔级亲和力，有靶点特异性，且展现了一定的功能活性。完整的流程都打包在一个 notebook 里：
cookbook/tutorials/binder_design.ipynb
我跑了一遍流程。notebook 写得比较详细，每一步有注释，从目标序列到候选设计全链路打通。在 GitHub 上直接读就能理解实验逻辑。要是你做蛋白设计方向，这个 notebook 值得花时间过一遍。
两个现实问题
计算设计 ≠ 实验成功
模型再准，湿实验验证不能跳。Biohub 团队在五个靶点上做了验证，给出了 hit 率和亲和力数据（具体数据在预印本里）。但你要用这套流程设计自己的靶点时，建议先规划好后续的实验方案。README 里也说“ESMFold2 is validated in the lab across five therapeutic targets”——说明团队确实做了实验，但你的靶点是否同样有效，需要你自己验证。
资源门槛
深度使用这套系统需要：
- 会跑 Jupyter notebook
- 懂蛋白质结构的基础知识
- 有 A100（6B 模型约 12GB 权重）
从 Hugging Face 下载预训练权重（biohub/ESMFold2），加载和推理都需要高端显卡。不过单纯体验的话，Atlas 的搜索比看结构更有意思——你能看到模型内部认为哪些蛋白在功能上相关，哪怕序列完全不同。这是语言模型给蛋白生物学带来的独特视角。
三个最快入口
- 在线试用 ESMC/ESMFold2：输入一条序列，直接拿到 embedding 或结构。入口在
biohub.ai/esm/protein - 跑 binder_design notebook：从目标序列到候选设计，全流程一个 notebook 搞定。路径是
cookbook/tutorials/binder_design.ipynb - 加入 Slack 社区：
bit.ly/esm-slack，有问题直接问团队。README 里也说了，更新会先放预印本
我觉得这套系统最硬的地方，是把语言模型、结构预测、可解释数据库、经过验证的设计流程串在了一起。如果你从一条蛋白质序列出发，想要得到能进实验室测试的候选设计，这算是一个完整的起点。
标签：蛋白质语言模型，结构预测，ESM，生物信息学