Biohub/esm：蛋白质世界的世界模型，从序列预测到药物设计

2026-05-30 预计阅读 18 分钟

快速信息卡
GitHub: Biohub/esm
Stars: 2,700+
Forks: 300+
License: NOASSERTION（GitHub 未能识别为标准许可，商用前需查阅仓库 LICENSE 文件）
语言: Python / Jupyter Notebook
维护状态: 活跃（2026-07 仍有提交）

学习目标

读完后你应该能：

说清 ESM 的三层架构（ESMC 语言模型、ESMFold2 结构预测、ESM Atlas 可解释层）和各层职责
说明 ESMFold2 相比 AlphaFold3 的优势与局限，以及官方结论的证据强度
解释 ESM Atlas 如何用稀疏自编码器把神经网络表征翻译成可读的生物学描述
判断 ESM 在蛋白质设计任务中的适用边界（已验证能力 vs 尚未充分验证的）
评估 ESM 是否适合你的场景，并知道从哪一步开始

Biohub/esm：蛋白质世界的世界模型

一句话判断

esm 不是单个预测模型，而是一条从序列理解到结构预测、再到功能解释的完整推理链。ESMFold2 在蛋白质-蛋白质和抗体-抗原结合的基准上已展示出可比肩甚至超过 AlphaFold3 的成绩，ESM Atlas 把「世界模型」从概念推进到了可检索的生物学空间。值得注意的是，这些结论目前主要来自官方发布与预印本，第三方独立复现有限。

系统地图

esm 由三层组件构成一个流水线，每一层解决一类问题：

┌───────────────────────────────────────────────┐
│     ESM Atlas（可搜索图谱）                    │
│     68 亿条序列 + 11 亿个预测结构               │
│     稀疏自编码器(SAE) → 可解释特征 → 自然语言描述 │
├───────────────────────────────────────────────┤
│     ESMFold2（结构预测层）                     │
│     在冻结的 ESMC-6B 表征上接扩散结构预测头       │
├───────────────────────────────────────────────┤
│     ESMC（蛋白质语言模型）                     │
│     300M / 600M / 6B 三档，在约 28 亿条序列上训练 │
└───────────────────────────────────────────────┘

三层关系：ESMC 是底层世界模型，学习序列背后的进化规律；ESMFold2 基于它的表征做结构预测；ESM Atlas 再用稀疏自编码器把 ESMC 的内部表征拆解成可解释特征并映射到已知数据库。

核心组件逐层解析

ESMC：蛋白质语言模型

ESMC（Evolutionary Scale Modeling of the Cambrian）是一个掩码语言模型，训练目标是在遮住部分氨基酸后预测完整序列，上下文是进化留下的蛋白质序列，而不是自然语言句子。Biohub 给出的参数量三档为 300M、600M 与 6B，最大的是 6B 版本；模型在约 28 亿条跨生命树的序列上训练。与 ESM2 相比，ESMC 的核心论点是存在一条 Scaling Frontier：随着模型规模与训练计算量增大，长程结构与功能信息从表征中「浮现」出来的程度持续提升。

设计要点：

全序列掩码训练：随机遮盖部分氨基酸，要求模型重建完整序列，从而压缩折叠与功能的约束
多层表征输出：默认只返回最后一层，可通过 output_hidden_states=True 取各 Transformer 层的表征
两条推理路径：本地 Hugging Face 运行（便于定制与微调），或走 Biohub 云平台（开箱即用）

from transformers import AutoModelForMaskedLM, AutoTokenizer

model = AutoModelForMaskedLM.from_pretrained("Biohub/ESMC-6B", device_map="auto").eval()
tokenizer = AutoTokenizer.from_pretrained("Biohub/ESMC-6B")

inputs = tokenizer(sequences, return_tensors="pt", padding=True)
inputs = {k: v.to(model.device) for k, v in inputs.items()}
with torch.inference_mode():
    output = model(**inputs)

官方目前说明 PyPI 包尚未正式发布，需通过 pip install esm@git+https://github.com/Biohub/esm.git@c94ed8d 从 GitHub 安装。

ESMFold2：融合语言模型的结构预测

ESMFold2 用 ESMC-6B 的表征作为输入，接一个扩散（diffusion）结构预测头，直接从序列产出原子分辨率的全原子结构。相比早期 ESMFold，它可以处理蛋白质、DNA、RNA、小分子配体以及带修饰的氨基酸组成的复合体系。

核心特性：

单序列模式：默认不需要 MSA（多序列比对），速度比传统方法快一个数量级
可选的 MSA 提升：困难靶点上可补充 MSA 以提升准确率
扩散采样步数可调：在精度与速度之间取舍

from esm.models.esmfold2 import ESMFold2Model, StructurePredictionInput, ProteinInput
model = ESMFold2Model.from_pretrained("biohub/ESMFold2").cuda().eval()
spi = StructurePredictionInput(
    sequences=[ProteinInput(id="A", sequence=HHAI_SEQ)]
)
result = ESMFold2InputBuilder().fold(model, spi, num_loops=3, num_sampling_steps=50)

输出包含 pLDDT（置信度）、pTM、ipTM 等质量指标，用于判断预测可信度。上述代码基于官方 cookbook 的写法，具体 API 会随版本演进，以仓库文档为准。

ESM Atlas：世界模型的可解释层

这是 esm 里最特别的部分。ESMC 把学到知识压缩进权重，人类无法直接读。Atlas 用**稀疏自编码器（SAE）**把 ESMC 的内部表征拆成约 1.6 万个可解释特征，再让自动化流程把这些特征与已知蛋白质数据库中的实体关联起来。

工作方式：

ESMC 隐藏层表征 → 稀疏自编码器(SAE) → 离散特征激活 → Agent 生成自然语言描述

每个特征对应一类可能的生物学意义（例如「此区域可能参与蛋白相互作用」）。Atlas 覆盖约 68 亿条序列和 11 亿个预测结构，是当前对蛋白质生物学规模最大的一次 AI 应用，可以在 Biohub 平台上检索结构、功能邻域以及现有数据库尚未标注的进化关联。

任务流案例：设计一个蛋白质 binder

以设计靶向某蛋白质的结合肽（binder）为例：

输入目标序列：把靶点序列送入 ESMFold2，先用单序列模式快速拿到结构
生成候选序列：在 ESMC 表征空间做优化，或用 ESMFold2 的逆向设计能力生成新的结合序列
结构验证：把候选序列重新输入 ESMFold2，确认折叠合理、结合界面成立
功能预估：通过 ESM Atlas 查询候选序列的表征特征，评估潜在活性
实验迭代：在实验室合成并测试，按实测结果调整序列

Biohub 在 2026 年 5 月的发布说明与一份预印本中报告，用这套流程针对与癌症和免疫相关的 5 个靶点完成了一次纯计算设计，搜索在数天内完成（而非数月到数年），所得 binder 在实验室验证中表现出高亲和力、高特异性和高稳定性，且与公开数据库已知序列相似度很低，倾向于是从头（de novo）生成的新解。需要说明：这批结果来自官方发布与预印本，完整实验方案和第三方复现尚未公开。

能力边界与不确定性

已验证的能力

从单条序列预测蛋白质结构，无需 MSA
蛋白质-配体复合物结构预测（DNA、RNA、小分子）
蛋白质语言模型表征提取，适合下游任务微调
大规模蛋白质序列 / 结构的可检索图谱（Atlas）

尚未充分验证或存在局限的

性能对标声明：官方称 ESMFold2 在 DockQ 等指标上达到并能超过 AlphaFold3 的结果，主要来自官方预印本，第三方独立评测有限
binder 设计实际效果：官方展示了 5 个靶点的验证数据，样本量小，泛化能力未知
计算资源门槛：ESMC-6B 与 ESMFold2 都需要较多 GPU 内存，本地运行成本高
生物安全边界：项目含 Frontier Safety 相关内容，但具体护栏实现并未完全公开

不能由此推出的结论

ESMFold2「全面超越」AlphaFold3（目前只有官方自测 / 预印本数据）
这套系统可直接用于临床药物设计（仍处科研验证阶段）
SAE 特征解释完全准确（由自动化流程生成，存在幻觉可能）

适用人群与采用建议

适合先尝试：

需要快速从序列拿到结构，且没有充足 MSA 计算资源
想在 ESMC 表征空间做下游任务（分类、聚类、功能预测）的研究团队
需要大规模结构 / 表征数据查询（通过 Atlas）
蛋白质设计的早期探索（binder、酶改造）

可以等等再上车：

需要充分验证的生产级结构预测管线（建议与 AlphaFold2/3 交叉对比）
对可解释性有严格要求的监管场景（SAE 特征仍在研究期）
计算资源受限的中小团队

技术规格速览

组件	模型规模	输入	输出
ESMC	300M / 600M / 6B	蛋白质序列	隐藏层表征
ESMFold2	冻结 ESMC-6B + 扩散头	序列 ± 配体	3D 结构（cif/pdb）+ 置信度
ESM Atlas SAE	从 ESMC 表征提取	ESMC 表征	约 1.6 万个可解释特征

许可：GitHub 将仓库标记为 NOASSERTION，表明它不是 MIT 或 Apache 这类标准开放许可，实际条款以仓库 LICENSE 文件为准，商用前需确认。

如何开始

云平台（最快）

pip install esm  # PyPI 即将发布，当前建议用 git+... 安装
from esm.sdk import esmc_client
model = esmc_client(model="esmc-600m-2024-12", url="https://biohub.ai", token="<your_token>")

本地 Hugging Face

from transformers import AutoModelForMaskedLM, AutoTokenizer
model = AutoModelForMaskedLM.from_pretrained("Biohub/ESMC-6B", device_map="auto")

官方资源

GitHub：https://github.com/Biohub/esm
官方发布说明：https://biohub.org/news/world-model-of-protein-biology/
预印本：https://www.biorxiv.org/content/10.64898/2026.06.03.729735v1
Atlas 平台：https://biohub.ai/
教程：https://github.com/Biohub/esm/tree/main/cookbook/tutorials

自测题

ESM 的三层架构各层的职责是什么？ 参考答案：ESMC 是底层语言模型，在约 28 亿条序列上训练（300M/600M/6B 三档），学习进化规律；ESMFold2 以 ESMC 表征为输入、接扩散头做结构预测；ESM Atlas 用 SAE 把 ESMC 表征拆成可解释特征并映射到数据库。
ESMFold2 相比 AlphaFold3 的优势和局限是什么？ 参考答案：优势——支持单序列模式（无需 MSA），速度更快；可处理 DNA、RNA、小分子与修饰氨基酸；官方预印本称其在蛋白质-蛋白质与抗体-抗原基准上达到并超过 AlphaFold3。局限——这些结论主要来自官方，第三方复现有限；binder 设计只有 5 个靶点样本，泛化未知。
ESM Atlas 的稀疏自编码器起什么作用？ 参考答案：ESMC 的知识以神经表征存在权重里，人读不懂。Atlas 用 SAE 把表征拆成约 1.6 万个可解释特征，再由自动化流程映射到已知蛋白质数据库，让大规模未注解序列变得可搜索。
这套系统能直接用于临床药物设计吗？ 参考答案：不能。binder 验证只有 5 个靶点、样本量小；SAE 解释由自动化流程生成、存在幻觉；计算资源门槛高。目前定位是科研验证工具。
你会从哪几方面测试它是否适合你的团队？ 参考答案：云平台上跑通一个单序列预测，与 AlphaFold2/3 对比精度和速度；用 ESMC 表征做下游任务微调；用 Atlas 查大规模数据；评估计算资源是否在预算内。

进阶路径

阶段一：快速验证（1–2 周）

目标：跑通 ESMFold2 单序列预测，看懂三层架构
行动：注册 Biohub 云平台，用 esm.sdk 预测一个结构，对照官方基准
验收：能说清 ESMC、ESMFold2、ESM Atlas 各自的输入输出及协作方式

阶段二：科研应用（2–4 周）

目标：在科研任务中评估 ESM 的适用边界
行动：预测目标结构、微调 ESMC 表征做下游任务、用 Atlas 查特征
验收：能判断它在特定任务上的精度与速度是否达标

阶段三：蛋白质设计（1–3 个月）

目标：用 ESM 做 binder、酶改造等设计
行动：按「任务流案例」走一遍，在 ESMC 表征空间优化序列并实验验证
验收：能独立完成一个设计流程，并解释其生物学依据

阶段四：方法学改进（长期）

目标：理解方法学局限并提出改进
行动：读 ESMC、ESMFold2、Atlas 的论文，分析架构与训练细节
验收：能批判性评价系统优劣并给出改进方向

常见问题

Q1: ESMFold2 的精度真的超过 AlphaFold3 吗？

A：官方预印本称其在 DockQ 基准上达到并能超过 AlphaFold3，尤其在抗体-抗原结合预测上更强。但这是官方结论，建议在实际任务中与 AlphaFold2/3 交叉对比后选用。

Q2: 需要多少计算资源？

A：ESMC-6B 与 ESMFold2 都需要较大的 GPU 内存。Biohub 云平台是最快的入门方式，不需要本地 GPU；本地运行请查看 HuggingFace 模型卡的硬件说明。

Q3: ESM Atlas 的特征解释可靠吗？

A：特征由自动化流程生成，存在幻觉可能，更适合作为假设生成工具，而非确定性结论，不应直接用于临床决策。

Q4: 可以商用吗？

A：GitHub 将仓库标记为 NOASSERTION，不是 MIT 或 Apache 标准许可。具体能否商用、以何种形式，需查看仓库 LICENSE 文件并咨询法律意见。

Q5: 如何获取技术支持？

A：可通过 GitHub Issues 或在官方渠道提问。科研类问题通常在 GitHub Issues 能得到社区或官方回复。

练习

练习 1：跑通 ESMFold2 单序列结构预测

任务：在 Biohub 云平台或本地用 ESMFold2 预测一个蛋白质的结构。

步骤：

打开 Biohub 平台，或本地按 esm 依赖并导入 ESMFold2Model
选一条已知蛋白序列（如 GFP，绿色荧光蛋白）
用单序列模式预测（不提供 MSA）
下载 PDB 结果，用 PyMOL 或 ChimeraX 可视化
与实验结构（Protein Data Bank）对比

参考答案：

单序列模式应在分钟级完成
计算 RMSD（均方根偏差），检查是否捕获正确的折叠拓扑
若拓扑明显错误，说明该蛋白位于 ESMFold2 的能力边界之外

练习 2：用 ESMC 表征做聚类

任务：用 ESMC 提取序列表征向量并做聚类分析。

步骤：

从 UniProt 下载一组功能相关的序列（如全部激酶）
加载 ESMC 模型（600M 起步，资源充裕再用 6B）
提取每个序列的表征（末层隐藏状态平均）
用 sklearn 做 PCA 或 UMAP 降维可视化
检查聚类是否与已知家族分类吻合

参考答案：

ESMC 在大量序列上预训练，应能捕获功能相关模式
功能相近的序列在表征空间应更靠近
可比较不同层（等价于例程中的 output_hidden_states=True）的功能相关性差异

练习 3：用 ESM Atlas 查询特征

任务：用 ESM Atlas 查一个蛋白质的结构与功能特征。

步骤：

打开 ESM Atlas 平台
检索你感兴趣的蛋白质（如刺突蛋白相关靶点）
查看 SAE 特征分解结果，哪些特征被激活
与已知功能注释对照，评估解释是否合理

参考答案：

SAE 特征应能大致捕捉已知功能域
解释由自动化流程生成，有幻觉可能，需谨慎
把特征当假设来源，再用实验去验证

资料口径说明

本文的判断与结论来自以下来源，存在明确局限：

主要来源：Biohub 官方发布说明（2026-05-27）、ESM 预印本、ESM GitHub 仓库。
断言强度：ESMFold2 对比 AlphaFold3、binder 设计的成绩均为官方发布与预印本口径，第三方独立复现有限。
稳定性边界：代码示例基于 ESM 现有 Python API，具体签名会随版本变化；PyPI 包尚未正式发布，需用 git+ 方式安装。
时效性：本文基于 2026 年 5–6 月的版本撰写，后续以官方为准。

🦞 文档版本：2026-05-30 | ESM 版本：ESMC-6B / ESMFold2 | 来源：GitHub

参与讨论

使用 GitHub 登录。欢迎补充事实、异议与实践。

当前浏览器未启用 JavaScript。你仍可前往 GitHub Discussions 参与讨论。

目录

Biohub/esm：蛋白质世界的世界模型，从序列预测到药物设计

学习目标

目录

Biohub/esm：蛋白质世界的世界模型

一句话判断

系统地图

核心组件逐层解析

ESMC：蛋白质语言模型

ESMFold2：融合语言模型的结构预测

ESM Atlas：世界模型的可解释层

任务流案例：设计一个蛋白质 binder

能力边界与不确定性

已验证的能力

尚未充分验证或存在局限的

不能由此推出的结论

适用人群与采用建议

技术规格速览

如何开始

云平台（最快）

本地 Hugging Face

官方资源

自测题

进阶路径

阶段一：快速验证（1–2 周）

阶段二：科研应用（2–4 周）

阶段三：蛋白质设计（1–3 个月）

阶段四：方法学改进（长期）

常见问题

Q1: ESMFold2 的精度真的超过 AlphaFold3 吗？

Q2: 需要多少计算资源？

Q3: ESM Atlas 的特征解释可靠吗？

Q4: 可以商用吗？

Q5: 如何获取技术支持？

练习

练习 1：跑通 ESMFold2 单序列结构预测

练习 2：用 ESMC 表征做聚类

练习 3：用 ESM Atlas 查询特征

资料口径说明

参与讨论