Pexiganan Acetate

第一作者：符起富 通讯作者：孙志良、李基云、王雅楠 第一单位：湖南农业大学 DOI：10.1016/j.micpath.2026.108421       近日，湖南农业大学动物医学院孙志良、李基云团队在抗菌肽研究领域发表系统综述，全面梳理了抗菌肽的发现历程、分类体系、结构—功能关系、作用机制、联合用药策略及临床转化挑战。       该综述聚焦抗菌肽这一新型抗感染候选分子，以通俗方式解析其来源、杀菌机制与应用优势，并深入剖析其在体内稳定性、药代动力学、宿主毒性、治疗窗口、适应症选择和产业化制备等方面的瓶颈，阐明抗菌肽为何“体外表现优异、临床转化受阻”，并展望其通过理性设计、AI筛选、联合用药和递送优化实现突围的路径。 一、研究背景 全球抗生素耐药问题日益严重，多重耐药、广泛耐药乃至全耐药的菌株不断出现，传统抗生素正逐渐失效。在此背景下，抗菌肽被视为最有潜力的“下一代抗菌武器”——天然存在、杀菌迅速、不易诱发耐药、抗菌谱广，听起来几乎完美。然而现实是，超过90%的抗菌肽至今未能真正进入临床。 二、研究内容 1. 抗菌肽到底是什么？ 简单来说，抗菌肽是生物体自身产生的一种天然防御小分子，由10到50个氨基酸组成，通常带正电，能精准识别并攻击带负电的细菌膜。它们广泛存在于动物、植物、昆虫乃至微生物中，不仅能杀灭细菌、真菌和病毒，还具有抗炎、促进修复等多种功能。抗菌肽并非人工合成的新奇分子，而是亿万年进化过程中保留下的先天免疫武器。 图1. APD3数据库中的天然AMP来源分布 2. 它是怎么被发现的？ 抗菌肽的发现始于1922年，弗莱明发现溶菌酶，让人类首次意识到天然抗菌物质的存在。而真正意义上的第一个抗菌肽，是1981年从天蚕蛾中分离出的天蚕素（cecropin）。此后，科学家在各类生物中展开了大规模挖掘：蛙皮、哺乳动物免疫细胞、昆虫血淋巴、植物防御素、细菌分泌的细菌素，以及真菌和古菌等。如今，已知的抗菌肽已超过上万条，相关数据库越建越大，但真正能成功开发为药物的，仍然寥寥无几。  3. 抗菌肽怎么分类？ 关于抗菌肽的分类，目前最实用的方式主要有三种。按来源，可分为天然抗菌肽（来自动物、植物、微生物）和人工设计抗菌肽（通过化学合成或基因工程改造，更稳定、活性更强）；按结构，则主要包括α-螺旋型（最常见，如“小弹簧”般刺破细菌膜）、β-折叠型（依赖二硫键稳固，耐酶且稳定）、延伸型或无规卷曲型（富含脯氨酸、色氨酸，常通过胞内途径杀菌）以及环肽（稳定性极强，是未来药物研发的热门方向）；按功能，则可区分为抗菌、抗真菌、抗病毒、抗炎、促伤口愈合、抗生物膜等不同类别；值得注意的是，许多抗菌肽身兼多种功能，属于“多功能选手”。 图2. 抗菌肽四大主要类别的结构示意图 4. 抗菌肽最强优势：为什么它能替代抗生素？ 抗菌肽之所以被寄予厚望，甚至被视为可能替代抗生素的关键武器，主要源于四大核心优势。第一，细菌很难对其产生耐药性。传统抗生素通常只攻击单一靶点，细菌一次突变即可逃脱；而抗菌肽采取多靶点攻击策略，同时作用于细胞膜、DNA、RNA和蛋白合成，细菌几乎不可能同时突变所有靶点。第二，杀菌速度极快。传统抗生素需要缓慢积累浓度，而抗菌肽仅需几分钟到几十分钟就能破坏细菌膜，导致细菌迅速崩解死亡。第三，兼具抗炎功能。许多感染致死的主因并非细菌本身，而是过激的炎症风暴；抗菌肽能抑制LPS、降低TNF-α和IL-6等炎症因子水平，一边杀菌一边保护宿主组织。第四，抗菌谱广且能对付耐药菌，对MRSA、克雷伯菌、铜绿假单胞菌等超级细菌依然有效。 5. 它到底怎么杀细菌？ 目前已知有四大机制。其一是破膜杀菌，也是最主要的路径：带正电的抗菌肽吸附到带负电的细菌膜上，随后插入膜中，通过桶板模型、环形孔模型或地毯模型等方式打孔或撕裂细胞膜，导致内容物流出，细菌死亡。其二是胞内杀菌，部分肽并不强烈破坏细胞膜，而是直接进入细菌内部，抑制DNA/RNA复制、阻止蛋白合成、干扰细胞壁合成或破坏能量代谢，代表肽有buforin Ⅱ、indolicidin和富脯氨酸肽。其三是攻击细胞壁，通过结合细胞壁前体Lipid II，阻止细胞壁组装，最终使细菌因无法承受内部渗透压而破裂死亡。其四是免疫调节，并非一味杀得越猛越好，而是让免疫系统不过度反应，降低炎症、保护组织，从而提高感染后的存活率。 图3. AMPs发挥抗菌作用的机制示意图 6. 抗菌肽与抗生素联用实现1+1>2 的超级方案 抗菌肽与抗生素二者协同杀菌，不仅能降低抗生素的用量、恢复耐药菌对传统抗生素的敏感性，还能减少药物的毒副作用，并延缓新的耐药性出现。大量体外实验表明，这种组合的协同指数可降至0.1以下，杀菌效果提升数十倍。 7. 为什么大多抗菌肽“做不成药”？ 尽管抗菌肽在理论上优势显著，但现实中绝大多数却难以成药，背后主要有五大原因。第一，稳定性太差。体内蛋白酶很容易将其降解，半衰期往往只有几分钟，口服会被消化，静脉注射后也很快被清除。第二，药代动力学不理想。抗菌肽普遍存在吸收差、分布不佳、清除快、体内浓度难以上升等问题。第三，毒性与溶血风险。部分抗菌肽在杀菌的同时会误伤人体红细胞和其他正常细胞，导致治疗窗很窄——有效浓度与毒性浓度十分接近。第四，成本高昂。化学合成价格不菲，规模化生产难度大。第五，临床设计失误。许多抗菌肽本适合外用、创面或局部给药，却被强行用于全身注射，自然难以成功。典型失败案例包括：外用治疗糖尿病足溃疡的Pexiganan，在三期临床试验中未优于标准疗法；靶向铜绿假单胞菌的Murepavadin，因肾毒性问题终止了三期研究。目前真正成功上市的肽类抗菌药，如多黏菌素、达托霉素、万古霉素，虽然也算“肽类”，但其作用机制与成药路径和大多数天然抗菌肽并不相同。 表1. 经临床批准的基于肽或肽衍生物的抗菌药物 8. AI赋能：从盲目筛选到理性设计 人工智能正在从根本上改变抗菌肽的研发方式。如今，科学家不再依赖盲目筛选，而是让AI从头设计抗菌肽：预测序列、活性、毒性和稳定性，从宏基因组中挖掘隐藏的新肽，一次就能生成几十万条候选分子。例如，AMPSphere项目利用AI从宏基因组中挖掘出86万条潜在抗菌肽，首批合成了100条，其中79条表现出活性。不过，AI也面临瓶颈，比如数据偏倚、主要预测活性而难以预测药代行为，以及体外效果好不等于体内有效。未来的方向必然是AI设计、实验验证与闭环优化三者结合。 9. 抗菌肽能用在哪些地方？ 抗菌肽的应用领域十分广泛。在医疗方面，可用于治疗耐药菌感染、创面感染、烧伤，还可作为植入物的抗菌涂层以及用于抗生物膜。在农业领域，抗菌肽能够替代抗生素促进动物生长，增强植物抗病抗真菌能力，也适用于水产养殖抗菌。在食品行业中，它可作为天然防腐剂、制成抗菌包装膜，从而延长食品保质期。 10. 抗菌肽临床转化之路：四大关键发力方向 要让抗菌肽真正走向临床，未来需要在以下四个关键方向发力：第一，研发路径上先做局部应用，再做全身治疗，从外用、吸入逐步推进到静脉注射；第二，优先优化稳定性，再追求高活性，通过环化、引入D-氨基酸、脂修饰等手段提升抗降解能力；第三，借助AI实现多目标优化，同时兼顾活性、毒性、稳定性与药代动力学性能；第四，采用联用策略，将抗菌肽与抗生素、递送系统组合使用，发挥协同效应。 总结 抗菌肽并不是一个“新概念”，而是被低估了四十年的超级武器。它天然存在、作用高效、不易产生耐药性，并且功能多样，完美契合下一个抗菌时代的需求。尽管过去的研发道路上失败案例很多，但随着结构设计、人工智能算法和递送系统的不断突破，第一批真正意义上的新一代抗菌肽药物即将到来。在传统抗生素日益失效的今天，抗菌肽，很可能就是人类对抗超级细菌的最终答案之一。 END 作者|符起富 编辑|徐佳琳 审核|李基云 原文链接： https://doi.org/10.1016/j.micpath.2026.108421 点击下方蓝字阅读原文

2026深度全景：蛋白与多肽语言模型全栈指南——从技术演进到落地选型全攻略 从 2022 年 ESM-2 与 ProtGPT2 掀起计算生物学的范式革命算起，短短四年间，蛋白质语言模型（Protein Language Models, PLM）与多肽语言模型，已经完成了从学术前沿热点到生物制药、合成生物学领域 “核心基础设施” 的跨越。 如今，从靶点发现、分子设计到酶工程改造、抗体人源化优化，几乎所有生物大分子研发的关键环节，都能看到 PLM 的身影。新模型仍在以月为单位迭代更新，从 ESM 系列、ProtTrans 到 ESM3、SaProt，从 AMP-Designer 到 PepMLM，行业的技术边界被持续拓宽。但对于身处研发一线的从业者、高校科研人员而言，核心困惑始终未变：市面上的模型究竟有哪些？各自的核心能力边界在哪？ 我手里只有有限的实验数据，到底该选哪个模型，才能最高效地完成项目、产出成果？ 本文将从技术全景拆解、实战场景选型、实操避坑指南三个维度，把蛋白与多肽语言模型的核心逻辑一次讲透。全文所有模型均给出标准化「核心输入」与「标准输出」定义，无论你是刚入门的研究生，还是药企研发负责人，都能在十分钟内，为自己的项目找到最优的模型起步方案。 第一部分技术全景地图：主流蛋白与多肽语言模型全谱系拆解 按照模型架构、训练目标与核心应用场景，我们可以将蛋白质语言模型划分为四大核心流派，而多肽语言模型则基于通用 PLM 完成垂直领域的适配与优化，形成了独立的治疗性分子研发生态，二者共同构成了当前生物大分子语言模型的完整版图。 一、蛋白质语言模型（PLMs）四大技术流派 1. Encoder-only / 掩码语言模型（MLM）：蛋白表征学习的行业基石 这类模型以 BERT 架构为核心，采用掩码语言建模的预训练方式，核心能力是对蛋白质序列进行深度表征学习，输出高维度的嵌入向量，为下游性质预测、变异效应分析、功能注释等任务提供基础特征，是目前应用最广泛、生态最成熟的 PLM 品类。 其中最具代表性的，当属 Meta FAIR 与 EvolutionaryScale 推出的 ESM 系列模型，它几乎定义了单序列蛋白语言模型的行业标杆，全系列模型标准化输入输出如下： 模型 发布年份 参数量 核心能力与行业价值 核心输入 标准输出 ESM-1b 2021 650M 早期蛋白质表征的黄金标杆，BERT 风格架构，基于 UniRef50 数据集训练，成为后续绝大多数下游任务的基准特征提取器 蛋白单条氨基酸序列（FASTA 格式） 1. 单残基分辨率高维嵌入向量；2. 蛋白全局表征向量；3. 二级结构、跨膜区等基础结构特征预测结果 ESM-1v 2021 650M 专为零样本变异效应预测优化，是 DMS（深度突变扫描）数据研究的首选基线模型，无需微调即可实现变异致病性的快速排序 1. 蛋白野生型氨基酸序列；2. 单点 / 多点突变位点信息 1. 变异效应似然性打分；2. 突变致病性排序结果；3. 单突变位点功能影响评分 ESM-MSA-1b 2021 100M 首创多序列比对输入模式，采用行列双注意力机制，充分挖掘同源序列的进化信息，大幅提升家族特异性蛋白的分析精度 蛋白多序列比对（MSA）文件（FASTA/Stockholm 格式） 1. 同源序列进化关联特征；2. 残基共进化信息矩阵；3. 家族特异性蛋白表征向量 ESM-2 2022 8M–15B 单序列结构预测任务的长期 SOTA，覆盖从轻量化到超大规模的全参数谱系，凭借极强的泛化能力，成为目前工业界与学术界应用最广的基底模型 蛋白单条氨基酸序列（FASTA 格式） 1. 全序列高维嵌入向量；2. 单残基级表征；3. 结构、功能、变异效应预测的基础特征；4. 折叠相关的隐空间表征 ESMFold 2022 - 基于 ESM-2 搭建的端到端结构预测模型，推理速度比 AlphaFold2 快约 60 倍，无需同源序列与 MSA 信息即可完成单序列结构预测，彻底打破了传统结构预测的算力壁垒 蛋白单条氨基酸序列（FASTA 格式） 1. 蛋白三维原子坐标（PDB/mmCIF 格式）；2. 结构置信度打分（pLDDT 值）；3. 原子级位置误差预测（PAE）矩阵 ESM-IF1 2022 - 行业标杆级逆折叠模型，可从蛋白骨架坐标反向推导氨基酸序列，是蛋白固定骨架设计、酶活性中心改造的核心工具 蛋白骨架三维坐标（仅 Cα/N/C/O 主链原子，PDB 格式） 1. 匹配骨架拓扑的氨基酸序列；2. 序列每个位点的氨基酸概率分布；3. 序列 - 骨架匹配度打分 ESM3 2024 1.4B–98B 实现序列、结构、功能的多模态联合推理与生成，其设计的 esmGFP 荧光蛋白成果登上 Science，被业内评价为 “在计算机中模拟了 5 亿年的蛋白进化” 序列 / 结构 motif/GO 功能关键词 / EC 编号（任意单模态或多模态组合输入） 1. 完整蛋白氨基酸序列；2. 蛋白三维结构坐标；3. 功能注释标签；4. 多模态链式推理结果；5. 约束条件下的全新蛋白设计序列 ESM C 2024 年末 300M/600M/6B 专为高效表征优化的纯表征模型，600M 参数版本即可比肩 ESM-2 3B 模型的性能，6B 版本全面超越 ESM-2 15B 大模型，成为 2025 年以来小算力场景的首选方案 蛋白单条氨基酸序列（FASTA 格式） 1. 高压缩比高效蛋白表征向量；2. 单残基分辨率特征；3. 适配下游分类 / 回归任务的低维可解释特征 除了 ESM 系列，该流派还有多个极具特色的补充模型，覆盖了不同的细分场景，全量模型输入输出定义如下： •ProtTrans 系列（慕尼黑工业大学 Rostlab，含 ProtBERT、ProtT5、ProtAlbert 等） ￮核心输入：蛋白单条氨基酸序列 ￮标准输出：蛋白全局 / 单残基嵌入向量、亚细胞定位预测结果、二级结构预测结果、跨膜区预测结果、蛋白家族分类特征 ￮核心备注：ProtT5-XL-UniRef50（3B）是全球被引量最高的 PLM 之一，是除 ESM 外最常用的特征提取器 •ProteinBERT ￮核心输入：蛋白氨基酸序列、GO 功能注释标签（可选） ￮标准输出：轻量化蛋白表征向量、GO 功能注释预测结果、蛋白性质分类结果、序列功能关联特征 ￮核心备注：轻量化 BERT 架构，推理速度快、微调门槛低，极其适合入门级场景与快速原型验证 •AMPLIFY（2024-2025） ￮核心输入：蛋白单条氨基酸序列 ￮标准输出：轻量级高维表征向量、蛋白功能预测结果、变异效应初步打分、下游任务适配特征 ￮核心备注：主打“小模型也能打” 的高效 PLM，仅 120M 和 350M 两个参数量版本，是 RTX 消费级显卡部署的最优选择之一 •ProtHyena ￮核心输入：超长蛋白氨基酸序列（支持万级残基长度） ￮标准输出：单残基分辨率超长序列表征、长程残基互作特征、膜蛋白 / 巨型结构蛋白全局特征、序列功能域预测结果 ￮核心备注：基于 Hyena 算子替代传统注意力机制，完美解决长序列分析的行业痛点 2. Decoder-only / 自回归生成模型：蛋白从头设计的核心引擎 这类模型以 GPT 架构为核心，采用自回归语言建模的预训练方式，核心能力是基于给定的条件约束，完成蛋白质序列的从头生成与定向设计，是合成生物学、蛋白药物研发的核心工具，彻底改变了传统 “定向进化 + 高通量筛选” 的研发模式。 当前主流的自回归蛋白生成模型，全量标准化输入输出定义如下： 模型 研发机构 参数量 核心特点与适用场景 核心输入 标准输出 ProGen Salesforce 1.2B 行业首个大规模条件性蛋白生成模型，基于 2.8 亿条蛋白序列训练，支持分类学、功能标签作为条件 token，实现可控的蛋白家族特异性生成 1. 功能标签 / 分类学标签 / EC 编号等条件 token；2. 序列前缀（可选） 符合条件约束的全新完整蛋白氨基酸序列、序列生成置信度打分、家族特异性序列 ProGen2 Salesforce/Profluent 151M–6.4B 基于近 10 亿条天然蛋白序列训练，发布时是全球最大的开源蛋白 Transformer 模型，覆盖从轻量化到超大规模的全谱系，是目前蛋白从头设计的基准模型 1. 功能 / 分类条件 token；2. 序列前缀 / 掩码片段（可选） 从头设计的蛋白氨基酸序列、条件匹配度打分、高天然性蛋白序列、多长度梯度候选序列 ProtGPT2 慕尼黑工业大学 Rostlab 738M 基于 GPT-2 架构原生优化的蛋白生成模型，生成的序列中 88% 可被预测为球状蛋白，天然折叠率极高，是短序列蛋白、功能多肽设计的首选基底模型 1. 蛋白 / 多肽序列前缀（可选）；2. 长度控制参数 高天然折叠率的完整蛋白 / 多肽序列、球状蛋白序列、短功能肽候选序列、序列折叠可行性打分 RITA LightOn 最大 1.2B 基于 UniRef100 数据集训练，极致优化推理速度，可实现百万级序列的快速生成与筛选，适合工业级高通量虚拟筛选场景 序列前缀（可选）、生成数量 / 长度约束参数 百万级高通量蛋白序列、快速生成的候选序列库、天然序列相似度打分 ZymCTRL - - 全球首个专为酶序列设计的自回归模型，以酶学委员会 EC 编号作为核心条件控制 token，可实现特定功能酶的定向生成，是工业酶改造、天然产物合成酶设计的专用工具 1. 酶学委员会 EC 编号（必填条件）；2. 序列前缀 / 底物信息（可选） 特定催化功能的酶氨基酸序列、酶家族特异性序列、活性中心保守序列匹配的候选酶序列 ProLLaMA - 基于 LLaMA 架构 通过指令微调实现蛋白的可控生成，支持自然语言指令输入，大幅降低了非计算生物学从业者的使用门槛 蛋白设计相关自然语言指令（如“生成一条能降解 PET 塑料的水解酶序列”）、序列约束条件 符合自然语言指令要求的蛋白氨基酸序列、设计逻辑说明、序列功能匹配度验证结果 3. 多模态 / 结构 - 功能融合模型：突破纯序列局限的新一代技术范式 纯序列 PLM 始终面临一个核心瓶颈：蛋白质的功能由其三维结构决定，仅靠 1D 氨基酸序列，无法完全捕捉蛋白的空间构象与功能信息。2024 年以来，多模态融合 PLM 迎来爆发式发展，成为行业最核心的技术演进方向，其核心逻辑是将蛋白的序列、3D 结构、功能注释等多维度信息，融入统一的建模框架中，实现 “序列 - 结构 - 功能” 的联合学习与推理。 当前主流的多模态蛋白模型，核心机制、输入输出定义如下： •SaProt ￮核心机制：创新性将 Foldseek 的 3Di 结构 token 与氨基酸序列 token 拼接，扩展模型词表，让模型在预训练阶段即可同时学习序列信息与结构信息，650M 参数量即可实现远超纯序列大模型的结构感知能力，性价比极高 ￮核心输入：氨基酸序列 + 对应 3Di 结构 token 的拼接序列、蛋白结构 PDB 文件（自动转换 3Di token） ￮标准输出：结构感知型蛋白表征向量、变异效应预测结果、蛋白功能注释、序列 - 结构匹配度打分、酶活性预测特征 •ESM3 ￮核心机制：将序列、结构、功能三大模态映射到统一的隐空间，每种模态均作为独立的离散 token 轨道，支持任意模态的输入与输出，可实现 “给定结构 motif + 功能关键词，生成完整蛋白序列” 的链式推理，是目前多模态生成能力的天花板 ￮核心输入：序列 / 结构motif / GO功能关键词 / EC 编号（任意单模态或多模态组合） ￮标准输出：完整蛋白序列、三维结构坐标、功能注释标签、多模态联合推理结果、约束条件下的从头设计蛋白 •ProstT5 ￮核心机制：被称为蛋白领域的“双语模型”，同时建模 1D 氨基酸序列与 3Di 结构序列，可实现序列与结构的双向翻译，在零样本变异预测、蛋白功能注释任务中，表现远超同参数量的纯序列模型 ￮核心输入：蛋白氨基酸序列 / 3Di 结构序列（二者任选其一） ￮标准输出：对应氨基酸序列↔3Di 结构序列的双向翻译结果、结构感知表征向量、零样本变异效应打分、蛋白功能注释 •ProSST ￮核心机制：采用结构 - 序列联合 Transformer 架构，创新性加入蛋白结构的局部空间特征编码，在零样本变异效应预测任务中实现 SOTA 性能，是罕见病致病变异分析、抗药突变预测的前沿工具 ￮核心输入：蛋白氨基酸序列、蛋白局部空间结构特征、野生型 + 突变位点信息 ￮标准输出：变异效应 SOTA 级预测结果、突变致病性打分、蛋白功能影响预测、残基 - 结构关联特征 •LM-GVP ￮核心机制：将 PLM 的序列特征与 GVP 图神经网络的 3D 结构特征深度融合，可充分学习蛋白的原子级空间互作信息，是蛋白 - 配体结合预测、酶活性中心改造的核心工具 ￮核心输入：蛋白氨基酸序列、蛋白三维结构图数据、配体小分子结构（可选） ￮标准输出：蛋白 - 配体结合亲和力预测、结合口袋定位、酶活性中心特征、蛋白 - 小分子互作打分、结构 - 功能联合表征 4. MSA / 检索增强类模型：挖掘进化信息的补充赛道 这类模型的核心逻辑，是通过多序列比对（MSA）引入同源蛋白的进化信息，或通过检索增强的方式，为预训练 PLM 补充同源序列信息，大幅提升模型在家族特异性蛋白、低同源蛋白任务中的表现，是纯单序列 PLM 的重要补充。全量模型输入输出定义如下： •MSA-Transformer（Meta FAIR） ￮核心输入：蛋白多序列比对（MSA）文件 ￮标准输出：残基共进化信息矩阵、同源序列进化关联特征、蛋白家族保守性分析结果、序列 - 进化联合表征 ￮核心备注：首次将 MLM 任务扩展到多序列比对场景，采用行列双注意力机制，是同源序列分析的基准模型 •MSA-Augmenter ￮核心输入：少量目标蛋白天然序列、目标蛋白家族特征 ￮标准输出：虚拟同源序列、扩增后的 MSA 文件、同源序列进化保守性匹配结果 ￮核心备注：完美解决孤儿蛋白、噬菌体蛋白等无同源序列蛋白的结构预测与功能分析难题 •RAG-ESM（2025） ￮核心输入：目标蛋白单序列、同源序列检索数据库 ￮标准输出：检索增强后的蛋白表征向量、同源序列补充信息、下游任务性能增强的预测结果、功能注释优化结果 ￮核心备注：将检索增强生成（RAG）技术与 PLM 结合，无需重新训练即可提升模型的下游任务性能 •DHR（Dense Homology Retrieval） ￮核心输入：目标蛋白氨基酸序列、蛋白序列数据库 ￮标准输出：密集同源序列检索结果、同源序列相似度打分、检索匹配的蛋白功能注释、家族分类结果 ￮核心备注：检索速度比传统 JackHMMER 提升多达 93 倍，是宏基因组蛋白挖掘、新功能蛋白筛选的核心提速工具 5. 抗体专用 PLM：垂直领域的专属生态 抗体作为生物药的第一大品类，其序列分布与天然蛋白存在极大差异，尤其是负责抗原识别的 CDR 区，具有极高的多样性，通用 PLM 的训练数据中抗体序列占比极低，在 CDR 区的预测精度会出现数量级的下降，因此形成了独立的抗体专用 PLM 生态。全量模型输入输出定义如下： •AntiBERTy / AntiBERTa / AntiBERTa2 ￮核心输入：抗体重链（VH）/ 轻链（VL）氨基酸序列、全长抗体序列 ￮标准输出：抗体序列表征向量、重轻链配对打分、亲和力预测评分、人源化评估结果、免疫原性预测、CDR 区特征提取结果 ￮核心备注：基于全球最大的抗体序列数据库 OAS 预训练，是抗体序列表征的行业标杆 •IgLM ￮核心输入：抗体全长序列、掩码后的 CDR 区序列（尤其是 CDR-H3 区）、亲和力约束条件 ￮标准输出：CDR 区重设计序列、抗体亲和力成熟优化序列、全长抗体生成序列、序列生成置信度打分 ￮核心备注：专为抗体序列设计的自回归生成模型，核心用于抗体亲和力成熟、CDR-H3 区重设计，是抗体优化的核心工具 •AbLang / AbLang2 / Sapiens ￮核心输入：鼠源 / 异源抗体序列、抗体可变区序列、掩码后的抗体序列片段 ￮标准输出：抗体人源化优化序列、种属转换打分、序列缺失片段填补结果、抗体可开发性预测、人源化程度评分 ￮核心备注：专注于抗体序列填补与人源化优化，比传统 CDR 移植技术的鲁棒性更高，是抗体人源化改造的首选方案 •AntiFold ￮核心输入：抗原 - 抗体复合物三维结构、抗原表位坐标、抗体互补位骨架 ￮标准输出：抗体接触面重设计氨基酸序列、表位匹配的抗体可变区序列、抗体 - 抗原结合亲和力预测、逆折叠序列置信度打分 ￮核心备注：抗体专用逆折叠模型，可固定表位与互补位，完成抗体接触面的重设计，是抗体亲和力优化的核心工具 二、多肽语言模型：PLM 技术下沉的治疗性分子新战场 多肽（通常氨基酸长度＜50 aa）凭借成药性高、安全性好、靶向性强的优势，已成为继小分子、抗体之后的第三大药物品类，在抗菌、抗肿瘤、代谢疾病、抗衰等领域展现出巨大的应用潜力。而多肽语言模型，几乎全部建立在通用 PLM 的基础之上，通过微调、多模型融合等方式，适配短序列多肽的建模特性，核心服务于治疗性多肽的研发场景。 之所以极少有从零训练的纯多肽大模型，核心原因在于数据鸿沟：天然蛋白序列有数十亿条可用于预训练，而有明确活性、成药性数据的治疗性多肽，仅有数万到数十万条，不足以支撑大模型的从头预训练，因此“通用 PLM 预训练 + 多肽数据微调” 的迁移学习路线，成为行业绝对的主流。 当前多肽语言模型的核心应用方向，主要分为三大类，全量模型输入输出定义如下： 1. 通用多肽性质预测 核心解决多肽成药性的快速评估问题，基于预训练 PLM 提取序列特征，搭建下游分类与回归模型，实现多肽溶血性、溶解性、稳定性、免疫原性等关键成药性指标的快速预测，是多肽药物研发早期筛选的核心工具。 •PeptideBERT（2023, JPCL） ￮核心输入：短多肽氨基酸序列（长度＜50aa） ￮标准输出：多肽溶血性预测、溶解性预测、非污垢性预测结果、成药性二分类 / 回归打分、多肽序列表征向量 ￮核心备注：基于 Transformer 架构轻量化优化，专为短序列多肽设计，是多肽性质预测的基准模型 •PepNet（2024, Commun. Biol.） ￮核心输入：多肽氨基酸序列、活性标签（可选） ￮标准输出：抗炎肽 / 抗菌肽活性预测、关键活性残基定位结果、多肽功能位点打分、序列活性回归评分 ￮核心备注：基于预训练 PLM 搭建的可解释神经网络，为多肽优化提供明确方向 •UniproLcad ￮核心输入：多肽氨基酸序列 ￮标准输出：抗菌肽（AMP）高精度鉴定结果、AMP 可能性打分、序列功能特征、多模型融合的综合预测结果 ￮核心备注：创新性融合多个预训练 PLM 的特征，解决了单一模型泛化能力不足的行业痛点 2. 靶向肽结合物设计 核心解决“靶向特定蛋白的多肽配体设计” 难题，尤其是针对转录因子、表面糖蛋白等传统小分子 “不可成药” 靶点，多肽凭借其灵活的构象与高特异性，成为破局的关键，而多肽语言模型则彻底改变了传统靶向肽的筛选模式。 •PepMLM（2024-2025, Nature Biotechnology） ￮核心输入：靶蛋白全长氨基酸序列、C 端掩码的待预测肽段序列、肽段长度约束 ￮标准输出：靶蛋白特异性结合肽完整序列、肽段 - 靶蛋白结合打分、靶向肽候选库、结合位点匹配结果 ￮核心备注：该领域的标杆级模型，基于 ESM-2 微调优化，可实现靶蛋白特异性结合肽的端到端生成，作者开源了完整的 pipeline 代码，门槛极低 •PepPrCLIP / SaLT&PepPr ￮核心输入：靶蛋白氨基酸序列、候选多肽序列、多肽 - 靶点配对数据集（微调用） ￮标准输出：多肽 - 靶蛋白结合匹配度打分、互作可能性预测、高通量虚拟筛选排序结果、靶蛋白 - 多肽联合表征 ￮核心备注：基于 ESM 嵌入向量搭建对比学习框架，大幅降低湿实验的筛选成本 3. 抗菌肽（AMP）专用模型：目前最成熟、产业化进度最快的方向 在全球多重耐药菌危机日益严峻的背景下，抗菌肽凭借全新的杀菌机制、极低的耐药性诱导风险，成为新一代抗生素研发的核心赛道，也是多肽语言模型应用最成熟、模板最完善的领域，目前已形成“生成 - 筛选 - 优化 - 验证” 的全管线化研发流程。 当前主流的抗菌肽专用模型，标准化输入输出定义如下： 模型 技术类型 核心优势与行业成果 核心输入 标准输出 AMP-Designer / AMP-GPT LLM+Prompt-tuning 行业标杆级成果，11 天内从头设计 18 条全新抗菌肽，体外验证成功率高达 94.4%，全研发流程仅 48 天，相关成果登上 Science Advances 2025，是抗菌肽研发的通用模板 抗菌肽设计 prompt、菌种约束条件、活性要求、序列长度限制 全新抗菌肽氨基酸序列、抗菌活性预测打分、成药性筛选结果、高活性候选肽库 LLAMP 物种感知 PLM 专为耐药菌特异性抗菌肽设计，完成 550 万条肽序列的高通量筛选，识别出的抗菌肽选择性接近临床候选药物 pexiganan，是特定耐药菌靶向抗菌肽研发的首选工具 目标耐药菌菌种信息、多肽序列、菌种特异性约束条件 耐药菌靶向抗菌肽序列、菌种特异性活性打分、溶血 / 毒性预测结果、高选择性候选肽 HydrAMP（2023, Nat. Commun.） 条件 VAE 实现抗菌肽的可控生成，可参数化调节生成序列的“创造力”，平衡生成序列的新颖性与活性，有完整的 Nature 子刊模板可参考，适合中等数据量的研发场景 抗菌肽活性条件参数、新颖性调节参数、序列长度约束、模板序列（可选） 可控生成的抗菌肽序列、活性 - 新颖性平衡的候选肽库、序列成药性预测、生成置信度打分 AMP-Diffusion（2024） ESM-2 嵌入空间扩散模型 基于 ESM-2 提取的序列隐向量，在隐空间搭建扩散生成模型，可生成低毒、广谱的全新抗菌肽，生成多样性远超传统自回归模型，是当前最前沿的技术路线 高活性抗菌肽 ESM-2 嵌入向量、生成数量约束、毒性 / 广谱性条件参数 高多样性全新抗菌肽序列、低毒广谱候选肽库、序列嵌入向量、成药性综合评分 APEX（2024, Nat. Biomed. Eng.） 深度学习挖掘框架 创新性提出“分子去灭绝” 理念，从灭绝物种的蛋白组中挖掘全新抗菌肽，成功发现了 mammuthin、elephasin 等全新抗菌肽分子，为抗菌肽的源头挖掘提供了全新思路 灭绝物种 / 极端环境生物的蛋白组序列、抗菌肽筛选约束条件 全新抗菌肽候选序列、物种特异性抗菌肽、抗菌活性预测打分、序列来源保守性分析 三、2024-2026 行业核心演进趋势 过去三年，行业完成了从“追规模、拼参数量” 到 “重效率、看落地” 的核心转变，三大趋势已经非常清晰： 1.架构演进路径明确：纯序列 MLM 模型→大规模自回归生成模型→多模态融合模型→结构感知模型，技术演进的核心始终围绕 “更贴近蛋白的真实生物学规律”，从单纯的序列语义学习，走向序列、结构、功能的联合建模； 2.规模与效率的理性回归：早期行业陷入“越大越好” 的规模竞赛，ESM-2 15B、ESM3 98B 等超大规模模型不断涌现，但 2025 年以来多项顶刊研究证实，在数据量有限的真实研发场景中，ESM-2 650M、ESM C 600M 等中等规模模型，表现与超大规模模型无显著差异，甚至在小数据场景中泛化能力更优，高效轻量化模型重新成为行业主流； 3.多肽模型的“PLM+X” 范式固化：受限于数据规模，从零训练纯多肽大模型的路线已被行业逐步放弃，基于成熟通用 PLM，结合垂直场景数据做微调、适配与模块融合，成为多肽模型研发的绝对主流，技术落地的门槛大幅降低。 第二部分实战选型手册：按数据定方案，8 大典型场景全拆解 模型再多，真正能适配你的项目、能落地出成果的，往往只有一两个。选型的核心逻辑，从来不是追最新、最大的模型，而是让模型适配你的数据，而不是让数据适配模型。 在动手选型之前，你只需要先回答三个核心问题，就能锁定选型的大致范围： 1.你手里的数据类型是什么？是单纯的序列，还是序列 + 活性标签，或是序列 + 结构，亦或是序列 - 结构 - 功能三元组数据？ 2.你手里的数据规模有多大？是＜1k 条，还是 1k-10k 条，10k-100k 条，还是＞100k 条？ 3.你的核心目标任务是什么？是性质预测、序列从头生成、靶向结合物设计、突变效应预测，还是结构预测？ 其中，数据规模直接决定了你的技术路线上限，这是所有选型决策的前提： •数据量＜1k 条：放弃全量微调大模型的想法，最优方案是冻结预训练模型骨干（freeze backbone）+ 浅层 MLP/LightGBM 分类 / 回归头，效果远好于盲目微调； •数据量 1k-10k 条：采用 LoRA、adapter 等轻量级微调方案，在保留预训练模型能力的同时，适配你的下游任务，避免过拟合； •数据量 10k-100k 条：可尝试对 650M 量级的中等模型进行全参数微调，充分挖掘数据中的任务特异性信息； •数据量＞100k 条：可考虑对更大规模的模型进行全参数微调，甚至基于自有数据做继续预训练，构建领域专属模型。 基于这个核心前提，我们拆解了研发中最常见的 8 大典型场景，给出了可直接落地的全流程方案，补充每个方案的核心输入输出实操规范，你只需要对号入座即可。 场景 1：我有一批抗衰多肽，配套了体内外活性数据 这是美妆护肤、抗衰老药物研发中最常见的场景，典型数据特征是：几百到几千条短多肽序列（通常 3-15 个氨基酸），配套 SIRT1 激活、胶原合成、抗氧化、衰老细胞清除等活性指标。 这里提供三个梯度的落地方案，可根据自身数据量与算力条件选择，补充标准化输入输出规范： •方案 A：最稳妥的基线方案，优先推荐基底模型选择 ESM-2 650M 或 ESM C 600M，核心流程为：单条多肽序列输入预训练模型→提取 mean-pool 嵌入向量→搭建小型 MLP 或 LightGBM 模型做活性回归，构建抗衰肽活性预测器。 ￮模型核心输入：短多肽氨基酸序列（FASTA 格式，首尾可加 padding token 避免边界注意力失效） ￮模型标准输出：多肽抗衰活性预测值、高维嵌入向量、活性排序结果 ￮落地流程：单张 A100 显卡一晚即可跑完全部流程，后续可基于训练好的预测器，在 UniProt、DRAMP、SATPdb 等数据库中完成百万级肽段的高通量扫描，筛选出 50-100 条高活性候选肽，最终挑选 5-10 条完成湿实验验证，完整复刻了 PepNet、PeptideBERT 等顶刊论文的技术路线，可直接用于论文发表与项目落地。 •方案 B：进阶方案，实现全新抗衰肽的从头生成基底模型选择 ProtGPT2（738M）或 ProGen2-small（151M），核心流程为：用高活性抗衰肽序列做条件微调，在序列前加入 <|antiaging|> 控制 token，实现抗衰肽的定向自回归生成，再用方案 A 训练好的活性预测器，对生成的数万条序列做层层打分筛选，最终挑选高活性候选肽完成实验验证。 ￮模型核心输入：<|antiaging|> 控制 token + 高活性抗衰肽序列前缀、生成长度约束 ￮模型标准输出：定向生成的抗衰肽序列、生成置信度打分、活性预测筛选结果 ￮落地参考：AMP-Designer 正是基于该路线，48 天完成了从序列设计到实验验证的全流程，成功登上 Science Advances。 •方案 C：前沿方案，追求生成序列的高多样性参考 AMP-Diffusion、ProT-Diff 的技术路线，先提取高活性抗衰肽的 ESM-2 嵌入向量，基于隐向量训练小型扩散模型，在隐空间完成采样后，解码回多肽序列。 ￮模型核心输入：高活性抗衰肽的 ESM-2 嵌入向量、采样步数、多样性调节参数 ￮模型标准输出：高多样性抗衰肽序列、隐空间解码结果、成药性综合评分 ￮适用场景：该方案生成的序列多样性远高于传统自回归模型，适合想要冲击顶刊、做技术创新的研发场景。 场景 2：我有独有的抗体数据，想做抗体设计与优化 抗体研发有一个绝对不能踩的坑：千万别用通用 PLM 作为主力模型。ESM-2 等通用 PLM 的训练数据中，抗体序列仅占极小一部分，在负责抗原识别的 CDR 区，预测精度会出现数量级的下降，专用模型的不可替代性极强。 基于不同的抗体数据类型，我们给出了精准的选型与落地方案，补充标准化输入输出规范： 手里的抗体数据类型 首选模型 核心可实现的功能 模型核心输入 模型标准输出 仅 VH/VL 序列（＞10k 条） AntiBERTy / AntiBERTa2 抗体重轻链配对、亲和力打分、人源化评估、免疫原性预测 抗体 VH/VL 氨基酸序列、全长抗体序列 抗体序列表征、重轻链配对打分、亲和力评分、人源化程度结果、免疫原性预测 序列 + SPR/BLI 实验亲和力数据 IgLM 微调 抗体亲和力成熟，核心实现 CDR-H3 区的定向重设计 抗体全长序列、掩码后的 CDR-H3 区、亲和力约束条件 CDR-H3 重设计序列、亲和力成熟优化序列、生成置信度打分、亲和力预测排序 抗体 - 抗原复合物结构数据 AntiFold + ESM-IF1 抗体逆折叠，固定抗原表位与抗体互补位，完成接触面的重设计与优化 抗原 - 抗体复合物 PDB 结构、抗原表位坐标、抗体互补位骨架 抗体接触面重设计序列、表位匹配的可变区序列、结合亲和力预测、逆折叠置信度打分 抗体可开发性数据（聚集、热稳定、黏度） AbLang2 + 自定义回归头 抗体早期可开发性筛选，提前过滤掉成药性差的候选分子 抗体可变区序列、可开发性标签数据 抗体人源化优化序列、可开发性预测打分、聚集 / 热稳定性预测结果、成药性排序 三个经典的可落地玩法，可直接对标顶刊论文与工业界管线开发： 1.CDR-H3 重设计：用 IgLM 将抗体 CDR-H3 区掩码，自回归重采样生成上千条候选序列，再通过 AlphaFold-Multimer 或 AF3 完成结构预测与结合打分，筛选 Top20 序列进入湿实验验证； 2.抗体人源化优化：采用 AbLang 或 Sapiens 完成抗体的种属转换打分，替代传统的 CDR 移植技术，在保留抗体亲和力的同时，大幅降低人抗鼠抗体反应（HAMA）风险，鲁棒性显著提升； 3.抗体 - 抗原配对预测：将 ESM-2 提取的抗原嵌入向量，与 AntiBERTy 提取的抗体嵌入向量拼接，通过对比学习训练配对模型，实现抗体 - 抗原的高通量虚拟筛选。 场景 3：我有酶的功能 / 活性数据，想做酶定向进化与改造 典型数据特征是：数百到数万条酶变体序列，配套酶活性、Km、Kcat、底物选择性等实验数据，核心应用场景是工业酶改造、天然产物合成酶功能优化、酶制剂升级等。 这里给出三步走的标准化流程，可直接落地，补充全流程输入输出规范： 1.第一步：零样本探底，先验证数据信号无需任何训练，直接用 ESM-1v 或 ESM-2 计算每条酶变体序列的 log-likelihood，给出变异效应的排序，与实验值做相关性分析，先确认数据中是否存在可学习的信号，避免后续做无用功； ￮核心输入：酶野生型序列、变体突变位点信息 ￮标准输出：变异效应似然性打分、突变体活性排序、数据信号相关性分析结果 2.第二步：小样本微调，快速提升预测精度基于 ESM-2 650M 模型，采用 LoRA 轻量级微调方案，几十到几百条数据即可实现预测性能的显著提升；如果同时拥有酶的结构数据，可叠加 SaProt 的结构 adapter，进一步提升模型的结构感知能力与预测精度； ￮核心输入：酶变体氨基酸序列、对应活性 / 动力学实验标签、酶结构 PDB 文件（可选） ￮标准输出：酶活性预测模型、变体活性预测值、结构感知表征、突变体功能排序结果 3.第三步：全新变体生成，拓展酶的功能空间基于酶的功能特性，选择 ZymCTRL（专为酶设计）或 ProGen2 完成条件微调，实现特定功能酶变体的定向生成，再用第二步训练好的预测器完成筛选，实现 in silico 定向进化，大幅降低传统定向进化的筛选成本； ￮核心输入：酶 EC 编号、功能约束条件、高活性酶序列前缀、底物特异性要求 ￮标准输出：定向生成的酶变体序列、活性预测打分、底物选择性匹配结果、高活性候选变体库 该路线可直接应用于脂肪酶、转氨酶、CYP450、PET 水解酶等工业酶的改造，以及天然产物合成酶的功能优化，无论是学术论文发表，还是工业界项目落地，都有成熟的模板可参考。 场景 4：我有抗菌肽（AMP）活性数据，想做新型抗菌肽研发 这是整个领域最成熟、模板最多、管线化程度最高的方向，核心选型完全由你的数据规模决定，可直接对号入座，补充标准化输入输出规范： 数据规模 首选方案 核心备注与适用场景 模型核心输入 模型标准输出 ＜500 条 LLAMP 已有权重 + 自有数据微调最后一层 最快出结果，无需大量算力，适合入门级场景与小样本预实验 目标耐药菌菌种信息、自有抗菌肽序列、活性标签 菌种特异性抗菌肽预测结果、活性打分、候选肽排序、溶血毒性预测 500-5000 条 HydrAMP（条件 VAE）+ 自有活性筛选器 有完整的 Nature Communications 论文模板可对照，平衡生成的新颖性与活性，是中等数据量的最优选择 活性条件参数、新颖性调节参数、自有高活性 AMP 序列、长度约束 可控生成的抗菌肽序列、活性 - 新颖性平衡候选库、成药性预测、筛选排序结果 ＞5000 条 复现 AMP-Designer 或 ProteoGPT 全流水线 适合工业级高通量筛选，可实现全新抗菌肽的规模化生成与验证，成果上限高，可对标顶刊论文 AMP 设计 prompt、菌种约束、活性要求、序列长度限制 全新抗菌肽序列库、活性预测打分、多轮筛选后的高活性候选肽、湿实验验证优先级排序 特定耐药菌的特异性活性数据 LLAMP（物种感知 PLM） 模型专为耐药菌特异性抗菌肽设计，完美匹配该场景的核心需求 目标耐药菌菌种信息、特异性活性数据、序列约束条件 耐药菌靶向抗菌肽序列、菌种特异性活性打分、高选择性候选肽、毒性预测结果 如果想要做技术创新与突破，可选择两条升级路线：一是基于 ESM-2 嵌入向量搭建 latent diffusion 模型，参考 AMP-Diffusion 路线，提升生成序列的多样性；二是参考 APEX 的 “分子去灭绝” 理念，从灭绝物种、极端环境生物的蛋白组中挖掘全新抗菌肽，从源头实现创新。 场景 5：我想设计靶向特定蛋白的结合肽，攻克不可成药靶点 这是 PepMLM 的绝对主战场，也是当前多肽药物研发的热门方向，核心解决转录因子、表面糖蛋白、IDR 区域等传统小分子不可成药靶点的配体设计难题。 基底模型首选 PepMLM（基于 ESM-2 微调，2025 Nature Biotechnology），作者已开源完整的 pipeline 代码，落地门槛极低。 •核心操作流程：给定靶蛋白的全长序列，在其 C 端拼接一段掩码的肽段序列，让模型完成掩码重建，生成数百条候选结合肽，再通过 AlphaFold 3 或 Boltz-1 验证结合构象与亲和力，最终筛选高特异性候选肽进入实验验证。 •模型核心输入：靶蛋白全长氨基酸序列、C 端掩码肽段序列、肽段长度约束（通常 5-25aa） •模型标准输出：靶蛋白特异性结合肽完整序列、肽段 - 靶蛋白结合打分、结合位点匹配结果、候选肽优先级排序 该方案的典型应用场景包括： •不可成药靶点的多肽配体设计，突破传统药物研发的靶点限制； •与 E3 泛素连接酶招募序列拼接，设计多肽 - PROTAC，实现靶蛋白的靶向降解； •设计 NCAM1、AMHR2 等癌症靶点的肿瘤特异性配体，开发靶向抗肿瘤药物与偶联药物。 如果同时拥有靶蛋白 - 配体复合物的结构数据，可叠加 RFdiffusion 配合使用，进一步提升设计的精准度。 场景 6：我有深度突变扫描（DMS）数据，想做突变效应预测 该场景的核心应用是临床致病变异预测、罕见病基因功能研究、酶活性 fitness landscape 绘制、抗药突变预测等，ESM 系列模型在该领域有着绝对的优势。 最省事的基线方案：直接用 ESM-1v、ESM-2 或 ESM C 完成零样本打分，与实验值做相关性分析，这是 ESM-1v 的看家本领，无需任何训练即可给出极具竞争力的基线结果。 •基线方案核心输入：野生型蛋白序列、单点 / 多点突变位点信息 •基线方案标准输出：零样本变异效应打分、突变致病性排序、与实验值的相关性分析结果 如果想要进一步提升性能，冲击 SOTA，可按照以下进阶路线逐步升级，补充输入输出规范： 进阶阶段 落地方案 预期性能提升（Spearman ρ） 核心输入 标准输出 起步基线 ESM-1v 零样本预测 行业基准 baseline 野生型序列、突变位点信息 变异效应打分、突变致病性排序 进阶优化 ESM-2 650M + LoRA 轻量级微调 较基线提升 10%-30% 突变体序列、DMS 实验活性 /fitness 标签 突变效应预测模型、fitness landscape 预测结果、突变体活性排序 结构加持 叠加 SaProt（3Di 结构 token）微调 在进阶基础上再提升 5%-15% 突变体序列、对应蛋白 3Di 结构 token、DMS 实验标签 结构感知型变异效应预测、突变 - 结构 - 功能关联结果、预测精度优化后的打分 冲击 SOTA 采用 ProSST 或 ESM C 6B 模型微调 可跻身 ProteinGym benchmark 前列 野生型 + 突变体序列、蛋白局部空间结构特征、DMS 全量数据集 SOTA 级变异效应预测、fitness landscape 全图谱、致病变异精准定位结果 场景 7：我只有几百条无同源的孤儿蛋白序列，想做结构预测与功能注释 对于孤儿蛋白、噬菌体蛋白、宏基因组中的“暗物质蛋白”，传统基于 MSA 的结构预测与功能注释方法完全失效，PLM 是目前唯一的解决方案。 针对该场景，我们给出了全流程的落地方案，补充标准化输入输出规范： 1.结构预测：首选 ESMFold，无需 MSA 同源序列，仅靠单序列即可完成端到端结构预测，速度比 AlphaFold2 快 60 倍，尤其擅长孤儿蛋白、从头设计蛋白的结构预测，可直接参考 ESM Metagenomic Atlas 的技术路线，完成宏基因组中数百万条蛋白的结构解析； ￮核心输入：孤儿蛋白单条氨基酸序列 ￮标准输出：蛋白三维结构 PDB 文件、结构置信度 pLDDT 打分、PAE 误差矩阵 2.功能注释：基于 ESM-2 提取蛋白序列的嵌入向量，通过与已知功能蛋白的 cosine 相似度做检索，功能注释的灵敏度远高于传统的 BLAST 序列比对，尤其适合低同源蛋白的功能挖掘； ￮核心输入：孤儿蛋白 ESM-2 嵌入向量、已知功能蛋白序列数据库 ￮标准输出：蛋白功能注释结果、GO/EC 功能标签、蛋白家族分类、相似度打分 3.虚拟同源扩增：如果想要用传统结构预测工具进一步验证，可通过 MSA-Augmenter 或 EvoDiff 生成 “伪同源序列”，完成 MSA 的虚拟扩增，再喂给 AlphaFold2 完成结构预测，大幅提升无同源蛋白的结构预测精度； ￮核心输入：孤儿蛋白天然序列、蛋白家族特征 ￮标准输出：虚拟同源序列、扩增后的 MSA 文件、同源序列保守性分析结果 场景 8：我有蛋白序列 - 结构 - 功能三元组数据，想做多模态联合建模 该场景是多模态大模型的绝对主场，核心选型只有两个，可根据数据规模与算力条件选择，补充标准化输入输出规范： •ESM3：适合数据量充足、算力条件优越的场景，可同时输入“蛋白序列 + 结构 motif+GO 功能关键词”，实现链式推理与生成，完成 “给定功能与结构约束，从头设计全新蛋白” 的任务，其 esmGFP 的设计成果已登上 Science，是冲击顶刊的首选方案； ￮核心输入：蛋白序列片段 / 结构 motif/GO 功能关键词 / EC 编号（任意多模态组合） ￮标准输出：完整蛋白氨基酸序列、三维结构坐标、功能注释标签、多模态联合推理结果、约束条件下的从头设计蛋白 •SaProt：适合中小数据量、常规算力的场景，模型仅 650M 参数量，单张 A100 即可完成微调，性价比极高，尤其适合 “结构感知的蛋白活性预测 / 分类” 任务，在同算力条件下，性能远超纯序列大模型； ￮核心输入：蛋白氨基酸序列 + 3Di 结构 token 拼接序列、活性 / 功能标签数据 ￮标准输出：结构感知型蛋白表征、活性预测结果、功能注释、序列 - 结构匹配度打分 终极选型速查表 为了方便大家快速选型，我们整理了全场景的模型选型速查表，补充核心输入输出关键词，可直接一键匹配你的研发目标与数据条件： 核心研发目标 适配数据规模 首选模型 备选模型 核心输入关键词 标准输出关键词 多肽活性预测 100-10k 条 ESM-2 / ESM C 微调 ProtBERT、PeptideBERT 多肽氨基酸序列、活性标签 活性预测值、成药性打分、序列表征 多肽从头生成 1k 条以上 ProtGPT2 微调 ProGen2、AMP-Designer 条件控制 token、序列前缀、长度约束 定向生成多肽序列、生成置信度、活性筛选结果 抗体设计与优化 任意规模 AntiBERTy / IgLM / AbLang ESM-2（不推荐主力使用） 抗体 VH/VL 序列、CDR 掩码序列、复合物结构 抗体人源化序列、亲和力成熟序列、配对打分、可开发性预测 酶定向进化与改造 DMS 突变数据 ESM-1v 零样本 + ESM-2 微调 SaProt、ZymCTRL 酶野生型 / 突变体序列、EC 编号、活性标签 变异效应打分、活性预测模型、定向生成酶变体 靶向结合肽设计 靶蛋白序列 PepMLM RFdiffusion + ESMFold 靶蛋白全长序列、掩码肽段、长度约束 靶蛋白特异性结合肽、结合打分、候选肽库 突变效应预测 DMS / 临床变异数据 ESM-1v → SaProt ProSST、ESM C 野生型序列、突变位点信息、DMS 数据 变异效应打分、致病性排序、fitness landscape 单序列蛋白结构预测 单纯蛋白序列 ESMFold AlphaFold3、Boltz-1 蛋白氨基酸序列 三维结构 PDB 文件、pLDDT 置信度打分 蛋白多模态生成 序列 + 结构 + 功能三元组 ESM3 SaProt 序列 / 结构 motif / 功能关键词组合 完整蛋白序列、结构坐标、功能注释、从头设计结果 轻量化部署与原型验证 - ESM C 300M / AMPLIFY ProtFlash 蛋白 / 多肽单序列 轻量化表征、快速性质预测、原型验证结果 抗菌肽筛选与生成 1k 条以上 LLAMP / AMP-Designer HydrAMP、AMP-Diffusion 菌种信息、活性约束、prompt 全新抗菌肽序列、活性打分、成药性筛选结果 第三部分避坑指南：90% 的人都会踩的 7 个实操陷阱 在蛋白与多肽语言模型的落地实操中，很多人不是输在模型选择，而是栽在了基础的实操误区里，这里我们总结了 7 个最高频的坑，补充对应模型输入输出的避坑规范，帮你提前规避，少走半年弯路。 坑 1：小数据量盲目全量微调大模型 这是最高频、最容易踩的坑。当数据量＜1k 条时，全量微调大模型几乎一定会出现严重的过拟合，泛化能力极差，最终效果远不如 “冻结预训练模型骨干 + 浅层分类 / 回归头” 的方案。 2025 年 Nature 子刊的多项研究已经证实，在小数据场景下，ESM-2 650M、ESM C 600M 等中等规模模型的表现，完全不输 15B/6B 的超大规模模型，无需盲目追求大参数量。 •避坑输入输出规范：小数据场景下，输入仅需单序列，输出固定为预训练模型的嵌入向量，不修改模型骨干权重，仅训练下游浅层头，避免过拟合。 坑 2：短多肽序列建模的注意力边界失效 当多肽序列长度＜50 个氨基酸时，ESM-2 等通用 PLM 的边界注意力极易出现漂移，导致序列两端的残基特征提取失真，最终影响预测与生成效果。 对应的解决方案很简单：一是在序列首尾加入合适的 padding token，优化模型的注意力分布；二是直接换用对短序列更友好的 ProtT5、PeptideBERT 等模型，从根源上解决问题。 •避坑输入输出规范：短多肽输入需在首尾添加 <|start|><|end|> 特殊 token，固定序列长度，避免边界残基特征丢失；输出需验证首尾残基的注意力权重分布，确保无漂移。 坑 3：抗体研发滥用通用 PLM，忽略专用模型的价值 再次强调，抗体序列的分布与天然蛋白差异极大，通用 PLM 在 CDR 区的预测精度会出现数量级的下降，无论怎么微调，都很难达到专用模型的基线水平。 抗体研发的最优解，永远是先上 AntiBERTy、IgLM、AbLang 等专用模型，通用 PLM 只能作为辅助，补充抗原的特征信息，绝对不能作为主力模型使用。 •避坑输入输出规范：抗体序列输入优先送入抗体专用模型，仅抗原序列可使用通用 PLM 提取特征；输出必须验证 CDR 区的预测置信度，低于阈值的结果直接弃用。 坑 4：生成模型不配套筛选闭环，迷信生成序列的质量 很多人觉得，用大模型生成的蛋白 / 多肽序列，就一定有预期的活性与功能，这是完全错误的认知。即便是顶刊的 AMP-Designer，也是先生成数万条序列，再用 AMP 判别器、毒性预测器、稳定性预测器、溶解性预测器层层过滤，最终只挑选几十条最优序列进入湿实验。 没有筛选闭环的生成，毫无意义。无论是蛋白还是多肽的从头生成，都必须先搭建好对应的活性、成药性筛选器，对生成的序列做层层过滤，才能大幅提升湿实验的成功率。 •避坑输入输出规范：生成模型的输出，必须先送入预训练好的筛选器，完成活性、毒性、溶解性、稳定性多维度打分，仅 Top 1% 的候选序列可进入后续验证，杜绝直接使用生成序列做湿实验。 坑 5：算力投入的性价比误区，盲目追求超大规模模型 不同规模的模型，对算力的需求天差地别，选错模型不仅会浪费算力，还会大幅拉长项目周期，这里我们给出了明确的算力适配方案，补充输入输出的算力约束规范： 模型规模 微调所需最低算力 适配人群 输入输出算力约束 ESM-2 15B / ESM3 全量微调 多张 H100 显卡集群 大型药企、国家级重点实验室 输入需做批量优化，输出需分步推理，避免单卡显存溢出 ESM C 600M / SaProt 650M 单张 A100 显卡 高校科研课题组、中小型 Biotech，学术与工业落地的性价比甜区 输入单批次可支持 1k + 条序列，全流程微调可在 24 小时内完成 ESM C 300M / AMPLIFY 350M 单张 RTX 4090/3090 消费级显卡 学生入门、快速原型验证、预实验探索 输入无需批量优化，单条序列推理可在秒级完成，微调仅需几小时 坑 6：忽略预训练模型的分布偏移，不做领域适配 很多人直接把通用 PLM 用在极端环境蛋白、膜蛋白、噬菌体蛋白等特殊蛋白家族上，却发现效果极差，核心原因就是分布偏移：通用 PLM 的训练数据以普通球状蛋白为主，这些特殊蛋白的序列分布与训练集差异极大，模型的泛化能力自然会下降。 对应的解决方案：一是先基于目标蛋白家族的同源序列，对预训练模型做继续预训练，完成领域适配，再做下游任务微调；二是直接选用该垂直领域的专用预训练模型，事半功倍。 •避坑输入输出规范：特殊蛋白家族输入，需先完成领域适配继续预训练，再做下游任务；输出需先做分布校验，确保与训练集分布无显著偏移，再做后续分析。 坑 7：只看 benchmark 性能，忽略湿实验的可验证性 这是很多新手最容易犯的错误：一味追求模型在公开 benchmark 上的指标提升，却忽略了模型预测结果在湿实验中的可验证性。 要知道，无论是学术论文发表，还是工业界管线开发，最终的核心评判标准，永远是湿实验的验证结果。一个在 benchmark 上指标略低、但预测结果可重复性高、湿实验成功率高的模型，远比一个只刷高了 benchmark 指标、却无法落地验证的模型更有价值。 •避坑输入输出规范：模型输出必须设置可验证的量化指标（如活性 IC50 预测值、亲和力 KD 值），而非仅输出分类标签；优先选择输出结果可直接对应湿实验检测指标的模型，而非仅追求 benchmark 打分。 写在最后 这一波蛋白与多肽语言模型的浪潮，本质上是一场生物大分子研发的范式革命—— 它把传统研发中 “昂贵、耗时、低通量的湿实验筛选”，替换成了 “低成本、高效率、高通量的语义空间筛选”，彻底改变了蛋白与多肽药物研发的底层逻辑。 但我们必须清醒地认识到，如今所有的主流 PLM，都已经成为了行业的公共基础设施。在绝大多数应用场景下，你既不需要从零训练一个新模型，也不需要盲目追逐最新、最大的那个模型。 你真正需要做的，只有三件事：认清自己手里的数据（类型、规模、标签质量），明确自己的核心目标（预测、生成、设计、优化），然后在合适的预训练模型上，挂载一个适配你任务的小型下游头，就能完成绝大多数的研发需求。这件事，一个研究生、一张 A100 显卡、一个月时间，就能跑完一整套完整的流程，产出一篇像样的学术论文，或是完成一个药物研发项目的早期探索。 在这个 AI 驱动生物研发的时代，高质量的独有数据，才是你真正的护城河，而模型，只是帮你挖掘数据价值的工具。模型选对了，能让你少走一半弯路；而把实验做扎实、把数据做扎实，才是决定你最终成果上限的核心。 生物智能：在生物先进产业场景中构建“状态感知-实时认知-自主决策-精准执行-学习提升”的生物科学智能（Biology_and_AI）；实现生物产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。 生物产业+物理AI=生物智能 产业智能官：Science_and_AI 加入知识星球“生物智能研究院”：生物产业OT技术（自动化+机器人+工艺+精益）和新一代IT技术（云计算+物联网+区块链+大数据+人工智能）深度融合，在场景中构建“状态感知-实时认知-自主决策-精准执行-学习提升”的生物科学智能；实现生物产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。 生物科学智能作为第四次工业革命的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎；重构设计、生产、供应链和服务等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态和新模式；引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。 生物产业智能化技术分支用来的今天，从业者必须了解如何将生物科学智能全面渗入整个公司、产品、业务等商业场景中，利用生物科学智能形成数字化、网络化和智能化力量，实现行业的重新布局、企业的重新构建和焕然新生。 版权声明：产业智能官（ID：Science_and_AI）发表的文章，除非确实无法确认，我们都会注明作者和来源，涉权请联系协商解决，联系、投稿邮箱：wolongzy@qq.com