AI 模型 BioEmu 发布：单 GPU 每小时生成数千个蛋白质构象

如果把 AlphaFold 预测的蛋白质结构比作一张高清证件照，现实里的蛋白质其实是一台时刻在变形的微型机器。它要发挥功能，就得不断弯曲、折叠甚至解构自身。

过去，生物学家想要看清蛋白质在水溶液里的真实动态，主要靠全原子分子动力学（MD）模拟。问题是这套方法计算量大得惊人，就算动用专用超级计算机，模拟几十微秒的动态过程也可能要烧掉数周甚至数月，成本更是居高不下。

研究团队在 bioRxiv 上公开了全新的生成式深度学习系统 BioEmu。它直接绕开了传统模拟步步推演的笨办法，用单张普通 GPU 每小时就能生成数千个统计独立的蛋白质构象样本。

扩散模型给蛋白质「连拍」

BioEmu 的底层思路借鉴了图片生成中的扩散模型，但做了非常针对性的工程裁剪。

遇到一条新的氨基酸序列时，系统只调用一次类似 AlphaFold2 的 Evoformer 模块来提取序列特征。之后的构象采样全部交给一个去噪扩散模型来做，通常只要 100 步去噪迭代就能生成一个合规的三维构象。

正是因为免去了反复编码序列的开销，BioEmu 的出图速度极快。根据蛋白质大小不同，单张 GPU 在几分钟到几小时内就能吐出上万个完全独立的结构，而且相对自由能误差控制在 1 kcal/mol 左右，已经接近实验测量的精度极限。

在基准测试里，无论是诱导契合时才会露出的隐藏口袋，还是特定区域的局部解折叠、大范围的结构域重排，BioEmu 都能准确捕捉到。面对序列相似度低于 40% 的未知蛋白测试集，它的表现依然显著优于 AFCluster 和 AlphaFlow 等同类方案。

把 200 毫秒动力学数据喂进模型

让 AI 学会画出动态分布，最大的难点在于没有现成的单一完美数据集。静态晶体库缺乏动态，现有的动力学轨迹又充斥着局部采样偏差。

团队用了一套相当扎实的组合拳。他们先在聚类后的 AlphaFold 数据库上做预训练，用数据增强手段逼着模型学会构象多样性；接着汇集了超过 200 毫秒的全原子分子动力学轨迹，并用马尔可夫态模型对数据做重新加权，校准回热力学平衡态。

更有意思的是，他们还引入了包含约 100 万条实验稳定性质谱数据的 MEGAscale 数据集。由于这批实验数据根本没有三维坐标，研究人员专门开发了一种名为属性预测微调（PPFT）的算法，把宏观的热力学稳定性测量值作为约束，反哺给扩散模型的参数训练。

为什么重要

我们认为，BioEmu 最大的价值在于它把蛋白质构象采样的边际成本打到了地板上。

对从事药物研发和合成生物学的团队来说，原先需要挂在超算节点上排队几个月的模拟任务，现在花几美元租几小时云端 GPU 就能跑完初步构象筛选。特别是针对那些传统晶体学抓不到的隐藏结合口袋，以及变异导致的失稳机制分析，BioEmu 提供了一个极高通量的假设生成器。

从技术路线看，这项研究把多年积累的超算模拟轨迹和湿实验数据成功「沉淀」成了可迁移的模型权重。这证明昂贵的物理仿真数据并不只是一次性耗材，它们完全可以像网络语料一样成为大模型的预训练养料。

不过，目前的 BioEmu 依然是个基于单体与单结构域训练出来的近似模拟器。面对极其庞大的多蛋白复合物，或者含有复杂辅助因子与共价修饰的场景，它给出的构象概率是否还能保持 1 kcal/mol 级别的能量精度，依然需要在更严苛的实验环境中接受检验。