AI 模型 BioEmu 釋出：單 GPU 每小時生成數千個蛋白質構象

如果把 AlphaFold 預測的蛋白質結構比作一張高畫質證件照，現實裡的蛋白質其實是一臺時刻在變形的微型機器。它要發揮功能，就得不斷彎曲、摺疊甚至解構自身。

過去，生物學家想要看清蛋白質在水溶液裡的真實動態，主要靠全原子分子動力學（MD）模擬。問題是這套方法計算量大得驚人，就算動用專用超級計算機，模擬幾十微秒的動態過程也可能要燒掉數週甚至數月，成本更是居高不下。

研究團隊在 bioRxiv 上公開了全新的生成式深度學習系統 BioEmu。它直接繞開了傳統模擬步步推演的笨辦法，用單張普通 GPU 每小時就能生成數千個統計獨立的蛋白質構象樣本。

擴散模型給蛋白質「連拍」

BioEmu 的底層思路借鑑了圖片生成中的擴散模型，但做了非常針對性的工程裁剪。

遇到一條新的胺基酸序列時，系統只調用一次類似 AlphaFold2 的 Evoformer 模組來提取序列特徵。之後的構象取樣全部交給一個去噪擴散模型來做，通常只要 100 步去噪迭代就能生成一個合規的三維構象。

正是因為免去了反覆編碼序列的開銷，BioEmu 的出圖速度極快。根據蛋白質大小不同，單張 GPU 在幾分鐘到幾小時內就能吐出上萬個完全獨立的結構，而且相對自由能誤差控制在 1 kcal/mol 左右，已經接近實驗測量的精度極限。

在基準測試裡，無論是誘導契合時才會露出的隱藏口袋，還是特定區域的區域性解摺疊、大範圍的結構域重排，BioEmu 都能準確捕捉到。面對序列相似度低於 40% 的未知蛋白測試集，它的表現依然顯著優於 AFCluster 和 AlphaFlow 等同類方案。

把 200 毫秒動力學資料喂進模型

讓 AI 學會畫出動態分佈，最大的難點在於沒有現成的單一完美資料集。靜態晶體庫缺乏動態，現有的動力學軌跡又充斥著區域性取樣偏差。

團隊用了一套相當紮實的組合拳。他們先在聚類後的 AlphaFold 資料庫上做預訓練，用資料增強手段逼著模型學會構象多樣性；接著彙集了超過 200 毫秒的全原子分子動力學軌跡，並用馬爾可夫態模型對資料做重新加權，校準回熱力學平衡態。

更有意思的是，他們還引入了包含約 100 萬條實驗穩定性質譜資料的 MEGAscale 資料集。由於這批實驗資料根本沒有三維座標，研究人員專門開發了一種名為屬性預測微調（PPFT）的演算法，把宏觀的熱力學穩定性測量值作為約束，反哺給擴散模型的引數訓練。

為什麼重要

我們認為，BioEmu 最大的價值在於它把蛋白質構象取樣的邊際成本打到了地板上。

對從事藥物研發和合成生物學的團隊來說，原先需要掛在超算節點上排隊幾個月的模擬任務，現在花幾美元租幾小時雲端 GPU 就能跑完初步構象篩選。特別是針對那些傳統晶體學抓不到的隱藏結合口袋，以及變異導致的失穩機制分析，BioEmu 提供了一個極高通量的假設生成器。

從技術路線看，這項研究把多年積累的超算模擬軌跡和溼實驗資料成功「沉澱」成了可遷移的模型權重。這證明昂貴的物理模擬資料並不只是一次性耗材，它們完全可以像網路語料一樣成為大模型的預訓練養料。

不過，目前的 BioEmu 依然是個基於單體與單結構域訓練出來的近似模擬器。面對極其龐大的多蛋白複合物，或者含有複雜輔助因子與共價修飾的場景，它給出的構象機率是否還能保持 1 kcal/mol 級別的能量精度，依然需要在更嚴苛的實驗環境中接受檢驗。