微軟開源 BioEmu-1：模擬蛋白質動態結構，單卡每小時生成數千個

BioEmu-1 是微軟開源的分子模擬深度學習模型，專門用來預測蛋白質在動態變化中的多種構象系綜。以往 AlphaFold 這類模型預測出的通常只是單一靜態結構，就像電影裡的一幀定格畫面；而 BioEmu-1 試圖做到的，是把蛋白質如何摺疊、扭曲和變形的整部動態電影還原出來。

它能做什麼

BioEmu-1 的核心優勢在於取樣速度極快。在單塊 GPU 上，它每小時就能生成數千個蛋白質構象，大幅降低了構象研究的門檻。

在生物醫藥領域，研究人員通常依賴分子動力學（MD）模擬來觀察構象改變。這種傳統模擬極其耗費算力，要看清某些關鍵功能的構象變化，往往要在超算甚至專用硬體上跑幾個月乃至幾年。

而 BioEmu-1 在復現 D. E. Shaw Research 對 Protein G 的分子動力學模擬測試中，精確還原了平衡分佈，消耗的 GPU 運算時間卻比傳統模擬少了 1 萬到 10 萬倍。

在霍亂弧菌的 LapD 蛋白質測試中，即便訓練集裡沒有該蛋白，BioEmu-1 依然成功預測出了它結合與未結合 c-di-GMP 分子時的兩種已知構象。更有意思的是，它還預測出了一些實驗從未觀測到的中間態構象，為推導功能機制提供了具體假設。

此外，它還能通過統計摺疊與未摺疊結構的分佈來計算摺疊自由能，預測結果與實驗測量值保持了高度一致。

怎麼做到的與去哪試

為了兼顧物理合理性與泛化能力，微軟團隊採用了三類資料聯合訓練。

第一部分是 AlphaFold 資料庫（AFDB）的結構資料，通過聚類同源序列，讓模型先摸清構象空間的整體輪廓；第二部分是海量的經典分子動力學模擬軌跡，教會模型在輪廓周圍推演符合物理規律的連續變動；第三部分則是實驗測定的蛋白質摺疊穩定性資料，微調模型在摺疊態與非摺疊態之間的取樣機率。

首爾大學教授 Martin Steinegger 評價指出，在靜態結構高精度預測之後，蛋白質動力學是下一個前沿，BioEmu-1 藉由生成式深度學習實現了自由能景觀的極速取樣。

目前該模型已正式開源，相關程式碼和模型已公開，同時上線了 Azure AI Foundry Labs 供開發者體驗。

為什麼重要

對於從事靶向藥研發和合成生物學的團隊來說，BioEmu-1 非常值得立即上手測試。很多藥物分子並不是去結合靜態蛋白質，而是要在特定過渡構象下卡住靶點，BioEmu-1 能在幾個小時內把以往需要跑幾個月的動態假設生成出來。

不過我們認為，目前的生成式模擬依然處在早期階段。AI 取樣雖然極快，但在面對完全未知的冷門拓撲或複雜多聚體時，物理真實度依然需要溼實驗兜底。現階段最穩妥的做法，是把它當成高通量的前端初篩漏斗，而不是傳統精細模擬的完全替代品。