从序列到结构：ESM蛋白质语言模型如何重新定义AI生物学边界

从序列到结构：ESM蛋白质语言模型如何重新定义AI生物学边界

【免费下载链接】esmEvolutionary Scale Modeling (esm): Pretrained language models for proteins项目地址: https://gitcode.com/gh_mirrors/esm/esm

在生命科学的数字革命浪潮中，一个看似简单却深刻的问题正在被重新解答：蛋白质的氨基酸序列如何决定其三维结构？传统的蛋白质折叠问题曾困扰科学家数十年，而今，ESM（Evolutionary Scale Modeling）蛋白质语言模型正以前所未有的方式挑战这一生物学核心难题。

蛋白质语言的语法革命

想象一下，如果蛋白质序列是一种语言，那么ESM就是理解这种语言的深度翻译器。与传统的蛋白质结构预测方法不同，ESM采用了一种革命性的视角：将氨基酸视为单词，蛋白质序列视为句子，通过大规模预训练学习蛋白质的"语法规则"。

这种方法的突破性在于，ESM不需要复杂的物理模拟或能量计算，而是直接从数千万个天然蛋白质序列中学习进化规律。正如人类语言模型能够预测下一个单词，ESM能够预测蛋白质序列的隐含结构和功能特性。

模型家族图谱

ESM项目提供了一个完整的模型生态系统，每个模型针对不同的生物学任务进行了优化：

三分钟上手的生物学AI工具

对于研究人员来说，开始使用ESM异常简单。通过几行Python代码，你就能加载预训练模型并开始蛋白质分析：

# 安装ESM核心库 pip install fair-esm # 或安装包含ESMFold功能的完整版本 pip install "fair-esm[esmfold]"

加载模型并提取特征只需要不到10行代码：

import esm import torch # 加载ESM-2模型 model, alphabet = esm.pretrained.esm2_t33_650M_UR50D() batch_converter = alphabet.get_batch_converter() # 准备蛋白质序列数据 data = [("my_protein", "MAAHKGAEHHHKAAEHHEQAAKHHHAAAEHHEKGEHEQAAHHADTAYAHHKHAEEHAAQAAKHDAEHHAPKPH")] # 转换并提取特征 batch_labels, batch_strs, batch_tokens = batch_converter(data) with torch.no_grad(): results = model(batch_tokens, repr_layers=[33]) # 获取每个氨基酸的表示 token_representations = results["representations"][33]

逆折叠：从结构到序列的逆向思维

如果说AlphaFold解决了"序列到结构"的问题，那么ESM-IF1则探索了相反的方向："结构到序列"。这一逆折叠能力为蛋白质设计开辟了全新路径。

图：ESM逆折叠模型架构，展示了如何从1200万预测结构和16000个CATH结构学习蛋白质结构与序列的映射关系

逆折叠模型的核心价值在于其双向思维能力。给定一个蛋白质骨架结构，ESM-IF1能够生成可能的氨基酸序列，实现：

1. 蛋白质重新设计：保持结构稳定性的同时优化功能
2. 功能位点工程：在特定位置引入功能性氨基酸
3. 稳定性优化：提高蛋白质的热稳定性或pH稳定性

实际应用示例：

# 为给定结构设计新序列 python examples/inverse_folding/sample_sequences.py examples/inverse_folding/data/5YH2.pdb \ --chain C --temperature 1 --num-samples 3 --outpath sampled_sequences.fasta

结构预测的端到端革命

ESMFold代表了蛋白质结构预测的范式转变。与传统的模板建模或物理模拟不同，ESMFold直接从序列预测完整的三维结构，无需多序列比对信息。

# 使用ESMFold预测蛋白质结构 model = esm.pretrained.esmfold_v1() sequence = "MKTVRQERLKSIVRILERSKEPVSGAQLAEELSVSRQVIVQDIAYLRSLGYNIVATPRGYVLAGG" with torch.no_grad(): pdb_output = model.infer_pdb(sequence) # 保存为PDB格式文件 with open("predicted_structure.pdb", "w") as f: f.write(pdb_output)

这种方法的速度优势令人印象深刻：ESMFold可以在几分钟内完成传统方法需要数小时的计算任务，同时保持相当的准确性。

变异效应的零样本预测

在药物开发和疾病研究中，理解氨基酸突变如何影响蛋白质功能至关重要。ESM-1v模型提供了零样本变异效应预测能力，无需特定任务的训练数据。

# 使用ESM-1v预测变异效应 python examples/variant-prediction/predict.py BLAT_ECOLX_Ranganathan2015.csv

这种能力使得研究人员能够：

• 快速筛选有害突变
• 设计功能性蛋白质变体
• 理解疾病相关突变的分子机制
• 优化酶催化活性

从实验室到计算：蛋白质设计的AI编程语言

ESM项目最前沿的探索之一是蛋白质编程语言。在examples/protein-programming-language/目录中，研究人员开发了一种高级语言来描述蛋白质设计目标。

这种语言允许研究人员以声明式方式指定设计约束：

# 示例：设计具有特定二级结构的蛋白质 from examples.protein-programming-language.language.program import Program from examples.protein-programming-language.programs.secondary_structure import SecondaryStructure program = Program( target_structure=SecondaryStructure( helices=[(10, 20), (30, 40)], sheets=[(50, 60)] ), stability_constraint=0.8 )

大规模分析：从单蛋白到宏基因组

ESM的真正威力在宏基因组规模上得到充分展现。通过ESM Metagenomic Atlas，研究人员可以访问超过7亿个预测的蛋白质结构。这个庞大的数据库为探索未知蛋白质空间提供了前所未有的机会。

项目提供了批量处理工具，使得大规模蛋白质分析变得可行：

# 批量提取蛋白质序列的嵌入表示 python scripts/extract.py esm2_t33_650M_UR50D examples/data/some_proteins.fasta \ examples/data/protein_embeddings --repr_layers 0 32 33 --include mean per_tok

实践指南：从新手到专家的路径

第一步：环境配置

建议使用conda环境确保依赖兼容性：

conda create -n esm python=3.9 conda activate esm pip install fair-esm[esmfold]

第二步：探索示例代码

项目提供了丰富的示例代码，建议从以下路径开始：

• examples/inverse_folding/notebook.ipynb - 逆折叠入门教程
• examples/contact_prediction.ipynb - 接触预测示例
• examples/esm_structural_dataset.ipynb - 结构数据集分析

第三步：应用到实际研究

1. 准备你的蛋白质序列数据（FASTA格式）
2. 选择合适的ESM模型（根据任务复杂度）
3. 提取特征或进行预测
4. 分析结果并与实验数据对比

未来展望：AI驱动的生物学新范式

ESM的发展轨迹展示了AI在生物学中的巨大潜力。从最初的序列表示学习，到现在的端到端结构预测和蛋白质设计，ESM正在重新定义计算生物学的边界。

未来的发展方向可能包括：

• 动态结构预测：模拟蛋白质构象变化
• 多模态融合：结合实验数据微调模型
• 自动化设计：实现完全自动化的蛋白质工程流程
• 临床应用：加速个性化医疗和药物发现

开始你的探索之旅

ESM项目为生物学家、计算科学家和AI研究人员提供了一个强大的工具箱。无论你是想预测蛋白质结构、设计新蛋白质，还是理解突变效应，ESM都提供了相应的解决方案。

项目资源丰富，包括：

• 完整的API文档和示例代码
• 预训练模型权重
• 交互式Jupyter笔记本
• 大规模数据集和处理工具

要开始使用，最简单的方式是克隆项目仓库并探索示例目录：

git clone https://gitcode.com/gh_mirrors/esm/esm cd esm

从理解单个蛋白质到探索整个蛋白质宇宙，ESM正引领我们进入生物学研究的新时代。在这个时代，AI不仅是工具，更是探索生命奥秘的伙伴。

【免费下载链接】esmEvolutionary Scale Modeling (esm): Pretrained language models for proteins项目地址: https://gitcode.com/gh_mirrors/esm/esm