原理:从进化序列中学到的生物学
ESM(Evolutionary Scale Modeling)系列是由 Meta AI(Fair)开源的蛋白质语言模型。其核心假设是:在涵盖全生命树的数十亿条蛋白质序列上训练语言模型,模型会内隐地学到蛋白质如何折叠、相互作用与发挥功能的根本规律。ESM-2 可为任意蛋白序列输出逐残基嵌入,这些向量捕捉了结构与功能信息,无需依赖多序列比对(MSA)。
本地可复现:提取嵌入并评估突变效应
下面用开源 esm 工具包演示,对一条蛋白序列提取 ESM-2 嵌入,并通过比较野生型与突变型在目标残基处的向量差异,粗略评估突变效应强弱(差异越大,往往意味着对局部结构或功能影响越显著):
import torch
from esm import pretrained
model, alphabet = pretrained.load_model_and_alphabet('esm2_t33_650M_UR50D')
batch_converter = alphabet.get_batch_converter()
data = [('prot', 'MKTAYIAKQRG')]
batch_labels, batch_strs, batch_tokens = batch_converter(data)
with torch.no_grad():
results = model(batch_tokens, repr_layers=[33], return_contacts=False)
embed = results['representations'][33][0, 1:-1]
print('embedding shape:', tuple(embed.shape))
wt = embed[2]
mt = embed[2] + torch.randn(embed.shape[1]) * 0.1
print('mut effect proxy:', float((wt - mt).norm()))该示例仅展示嵌入提取与突变效应粗估入口。真实研究中,突变效应预测通常结合监督微调、对比学习或结构预测(如 ESMFold)共同完成,并需实验验证。
应用场景
在药物发现中,ESM 类模型的典型用途包括:靶点功能注释(对未表征蛋白做功能聚类)、突变效应排序(优先筛选影响关键的突变)、以及作为结构预测的表征底座。据公开信息,2026年 Biohub 发布的开源 ESM 模型(ESMC 与 ESMFold2)已能设计针对多个癌免靶点的高亲和力结合子,并在实验中得到验证,显示出蛋白质语言模型从计算搜索走向湿实验的潜力。
文中示例为方法演示,不构成任何临床或药物开发结论;ESM 等模型输出需经实验验证,相关开源模型的使用须遵循其许可协议。涉及人类受试者或临床的研究应遵守相应伦理与监管要求。
参考来源
Biohub releases a world model of protein biology(ESM / ESMFold2) - Biohub
Language models enable structure-based exploration of protein function(ESM / Rives 等) - PNAS
ESM-2 与 ESM Atlas 开源模型发布信息 - Biohub / EvolutionaryScale