Protein Language Models

何时使用

需要用 EvolutionaryScale 的蛋白质语言模型完成下列任务时使用：

• 生成型设计（ESM3，多模态）：补全/变体设计、按功能注释条件生成、序列<->结构<->功能跨模态生成。
• 结构相关：从序列预测结构、逆折叠（从结构反推序列）、ESMFold2 结构预测（经 Biohub）。
• 表征（ESM C）：提取蛋白质嵌入向量，供分类、相似度、功能预测等下游 ML 使用。

触发词：ESM、ESM3、ESMC、蛋白质语言模型、protein language model、逆折叠、inverse folding、ESMFold、蛋白质嵌入、protein embedding、蛋白质设计。

不该用（边界）：

• 通用 LLM 文本生成/对话 → 用普通大模型，ESM 只懂蛋白质序列。
• 小分子/化合物药物设计、对接打分 → 用 RDKit/对接工具，不是蛋白质 LM。
• 基因组/核酸（DNA/RNA）序列建模 → ESM 面向氨基酸序列，非核苷酸。
• 仅做序列比对/BLAST 检索这类无需深度表征的任务 → 用传统生信工具更轻。
• 真实下游决策前未做湿实验或结构验证 → 生成结果须验证，勿直接当结论。

步骤 / 指令

1. 选模型（按场景，见下）：
   • 本地实验/原型：esm3-sm-open-v1（1.4B，开源权重）或 esmc-300m。
   • 生产质量：esm3-medium-2024-08（7B，仅 Forge）。
   • 最高精度：esm3-large-2024-03（98B）或 esmc-6b-2024-12（仅 Forge/SageMaker）。
   • 高吞吐：Forge API + 批量异步执行器。
2. 装环境：要求 Python 3.12（>=3.12,<3.13）。uv pip install "esm==3.2.3"；NVIDIA GPU 推荐再装 flash-attn。Forge 客户端随 esm 包发行，云推理无需额外安装。
3. 配鉴权（仅云端需要）：按序检查 ESM_API_KEY：环境变量 → 本地 .env（只取该键）→ 到 Forge / Biohub 开发者控制台申请。绝不硬编码或提交 token。esm.sdk.client() 在省略 token 时会自动读取 ESM_API_KEY。
4. 构造输入：用 ESMProtein 封装序列；_ 表示待生成的掩码位；逆折叠用 ESMProtein.from_pdb(...) 并将 .sequence=None。
5. 生成/编码：调 model.generate(protein, GenerationConfig(track=..., num_steps=..., temperature=...))；track 取 sequence/structure/function。嵌入走 ESM C 的 encode -> forward。
6. 链式思维细化（复杂设计）：分步切换 track，逐步从结构→序列→功能迭代精修。
7. 取产物：序列 protein.sequence；结构 protein.coordinates 或 protein.to_pdb()；嵌入为 forward 输出张量。
8. 验证：用结构预测自洽性或湿实验校验生成序列，按需回调 temperature/num_steps。

示例

本地序列补全（ESM3 开源权重）：

from esm.models.esm3 import ESM3
from esm.sdk.api import ESM3InferenceClient, ESMProtein, GenerationConfig

model: ESM3InferenceClient = ESM3.from_pretrained("esm3-sm-open-v1").to("cuda")
protein = ESMProtein(sequence="MPRT___KEND")  # '_' 为掩码位
protein = model.generate(protein, GenerationConfig(track="sequence", num_steps=8))
print(protein.sequence)

云端（Forge，接口同本地）：

import os, esm
from esm.sdk.api import ESMProtein, GenerationConfig

model = esm.sdk.client("esm3-medium-2024-08", token=os.environ["ESM_API_KEY"])
protein = model.generate(protein, GenerationConfig(track="sequence", num_steps=8))

逆折叠（由结构设计序列）：

protein = ESMProtein.from_pdb("target_structure.pdb")
protein.sequence = None  # 移除原序列
designed = model.generate(
    protein,
    GenerationConfig(track="sequence", num_steps=50, temperature=0.7),
)

ESM C 提取嵌入：

from esm.models.esmc import ESMC
from esm.sdk.api import ESMProtein

model = ESMC.from_pretrained("esmc-300m").to("cuda")
protein = ESMProtein(sequence="MPRTKEINDAGLIVHSP...")
tensor = model.encode(protein)
embeddings = model.forward(tensor)

功能条件生成（指定功能注释生成新蛋白）：

from esm.sdk.api import ESMProtein, FunctionAnnotation, GenerationConfig

protein = ESMProtein(
    sequence="_" * 200,
    function_annotations=[FunctionAnnotation(label="fluorescent_protein", start=50, end=150)],
)
out = model.generate(protein, GenerationConfig(track="sequence", num_steps=200))

Forge 异步批处理：

import os, asyncio, esm
client = esm.sdk.client("esm3-medium-2024-08", token=os.environ["ESM_API_KEY"])

async def batch_generate(proteins):
    tasks = [client.async_generate(p, GenerationConfig(track="sequence")) for p in proteins]
    return await asyncio.gather(*tasks)

proteins = [ESMProtein(sequence=f"MPRT{'_' * 50}KEND") for _ in range(10)]
results = asyncio.run(batch_generate(proteins))

注意事项

• Python 版本强约束：当前发行版仅支持 3.12，环境不匹配直接装不上。
• 密钥安全：ESM_API_KEY 只从环境或 .env 读取，不写进脚本、不入版本库；KeyError 即提示未配置而非吞掉。
• temperature 控制多样性：0.0 确定性、1.0 多样；批量/逆折叠常用 0.5~0.7。
• 6B 权重不开放本地裸跑：esmc-6b 需经 Forge 或 SageMaker。
• 平台迁移：部分服务（含 ESMFold2 结构预测）正迁往 biohub.ai，SDK 类名可能仍写 "Forge"；ESMFold2/Biohub 专属配置见源仓库 references/biohub-platform.md。
• 嵌入要点：尽量批量编码、缓存复用、算相似度前归一化；查询与建库务必用同一模型。
• 生产化：加重试/限流与错误处理，监控 token 用量，重负载考虑 SageMaker 专用部署。
• 负责任使用：遵循 Responsible Biodesign Framework（responsiblebiodesign.ai），设计新蛋白前评估生物安全与伦理，实验验证前审慎。

互见

• 暂无强相关的本仓技能可联动；如需为生成的蛋白质嵌入做下游向量检索/聚类，可自行接入通用向量管道。

本条采编自 K-Dense-AI/scientific-agent-skills（MIT License）。