微软开源了最新蛋白质结构生成模型：BioEmu-1
BioEmu-1 是微软研究团队开发并开源的最新蛋白质结构生成模型，旨在通过深度学习技术模拟蛋白质的平衡状态集合（equilibrium ensembles），为蛋白质功能研究和药物发现提供强有力的工具。
BioEmu-1，全称为 Biomolecular Emulator-1，是一种生成式深度学习系统，专注于从蛋白质氨基酸序列预测其结构集合，而不仅仅是单一结构。这种方法超越了传统模型（如 DeepMind 的 AlphaFold），后者主要关注静态结构预测。BioEmu-1 的目标是捕捉蛋白质的动态行为，包括构象变化，这对于理解蛋白质在生物过程中的功能至关重要。例如，蛋白质的构象变化可能影响其与药物分子的结合，从而影响药物设计。
BioEmu-1 的开发旨在解决蛋白质动态机制的预测难题，这在结构生物学领域仍是一个挑战。传统方法如分子动力学（MD）模拟虽然能提供构象状态信息，但计算成本高，吞吐量低。BioEmu-1 通过深度学习技术显著提高了效率。
BioEmu-1 训练于一个庞大数据集，包括：
- 静态蛋白质结构数据，可能是从蛋白质数据库（如 PDB）中获取。
- 超过 200 毫秒的 MD 模拟数据，用于捕捉蛋白质的动态行为。
- 实验测量的蛋白质稳定性数据，用于验证模型的预测准确性。
模型利用新型训练方法，结合这些数据，生成统计上独立的蛋白质结构样本。GitHub 仓库（BioEmu GitHub Repository）提供了推理代码，显示模型支持侧链重建（side-chain reconstruction）和局部能量最小化，运行时可通过 GPU 高效处理。
BioEmu-1 的一个关键优势是其高效性和准确性：
- 生成速度：模型能在单 GPU 上每小时生成数千个蛋白质结构样本，显著优于传统 MD 模拟。
- 自由能误差：根据 Hugging Face 模型页面（Hugging Face BioEmu Model Page），其相对自由能误差约为 1 kcal/mol，与毫秒级 MD 模拟和实验测量结果验证一致。
- 构象变化采样：模型能捕捉多种功能相关的构象变化，包括隐藏口袋（cryptic pockets）的形成、特定区域的展开和大型域重排。
验证结果显示，BioEmu-1 的预测与 MD 模拟的二级结构倾向性高度一致，平均误差在 0.74 到 0.91 kcal/mol 之间，具体取决于测试系统（如 Chignolin 和 λ-repressor）。这表明模型在捕捉蛋白质平衡分布方面表现优异。
与现有模型相比，BioEmu-1 的创新点在于其对蛋白质集合的生成能力。AlphaFold 等模型主要预测单一结构，而 BioEmu-1 提供了一个动态视图，揭示蛋白质在不同状态下的行为。这对于研究蛋白质折叠、突变引起的稳定性变化（如折叠去稳定化）尤为重要。此外，BioEmu-1 的高效性使其在计算资源有限的情况下也能快速提供实验可验证的假设，这在药物发现中尤为有价值。
BioEmu-1 的应用前景广泛，包括但不限于：
- 蛋白质功能研究：通过模拟构象变化，揭示蛋白质在生物过程中的作用机制。
- 药物发现：预测蛋白质与配体或药物分子的相互作用，帮助设计更有效的药物。例如，模型能揭示突变导致的折叠去稳定化原因，为靶向药物设计提供依据。
- 蛋白质工程：设计具有特定属性的新型蛋白质，如增强稳定性的变体。
BioEmu-1 的高效性（每小时生成数千结构）使其在高通量研究中具有显著优势，特别是在需要快速生成假设的场景中。这一点令人惊讶，因为传统 MD 模拟通常需要数周甚至数月，而 BioEmu-1 能在几 GPU 小时内完成类似任务。
微软已将 BioEmu-1 开源，相关代码可在 GitHub 仓库（BioEmu GitHub Repository）中找到。仓库提供了推理代码，包括侧链重建和能量最小化的脚本，支持用户自定义输出文件名和运行参数。例如，用户可通过命令行选项（如 –no-md-equil）选择是否进行 MD 平衡化，适合不同规模的计算需求。Hugging Face 模型页面（Hugging Face BioEmu Model Page）也提供了模型的详细信息，包括开发团队和性能指标。
尽管 BioEmu-1 表现出色，但仍存在一些挑战。模型在采样复杂稀有事件（如某些实验可观察到的过程）时可能需要额外优化。此外，其计算成本虽然低于 MD 模拟，但仍需 GPU 支持，对于资源有限的实验室可能构成障碍。
BioEmu-1 代表了蛋白质结构生成领域的一次重要进步，通过深度学习技术实现了高效、高精度的蛋白质集合模拟。其开源性质进一步促进了学术界和工业界的合作，有望加速蛋白质相关研究的进展。未来，随着更多训练数据和优化算法的引入，BioEmu-1 可能在药物发现和合成生物学领域发挥更大作用。
