CZ Biohub 于 2026 年 5 月发布的蛋白质生物学世界模型，将生物计算从单点工具推进到系统化平台阶段。这套开源系统由三个核心组件构成 ——ESMC 蛋白质语言模型、ESMFold2 结构预测引擎和 ESM Atlas 知识图谱 —— 其架构设计体现了生物 AI 工程化的关键取舍：如何在表示学习、结构生成与知识检索之间分配计算资源，同时保持系统的可扩展性与开放性。
三组件架构的解耦逻辑
Biohub 的设计遵循 "表示 - 生成 - 检索" 的分层原则。ESMC 作为基础语言模型，在 28 亿条蛋白质序列上进行自监督训练，学习目标是预测进化过程中被选择的氨基酸。这种训练方式隐式编码了蛋白质折叠、相互作用和功能的物理规则，形成所谓的 "蛋白质语法"。值得注意的是，模型并未显式学习物理定律，而是通过进化选择的模式识别内化了这些约束。
ESMFold2 承担结构生成职责，将 ESMC 的序列表示转化为原子级 3D 结构。与 AlphaFold 3 相比，ESMFold2 在抗体 - 抗原复合物预测上表现更优，且具备一项关键工程特性：仅依赖 ESMC 表示即可进行预测，无需多序列比对（MSA）输入。这大幅降低了计算门槛 —— 传统方法需要搜索同源序列构建 MSA，而 ESMFold2 可直接从语言模型表示推断结构，将预测流程从数小时压缩到分钟级。
ESM Atlas 则是知识层的基础设施，索引 68 亿条蛋白质序列和 11 亿个预测结构，按模型学习到的关系而非传统分类学组织。这种表示驱动的索引方式能够发现跨物种的进化关联，例如识别散布在生命树不同分支上的基因编辑酶之间的隐含联系。
可扩展计算的设计参数
从工程角度看，该系统的可扩展性体现在三个维度。
数据规模方面，28 亿训练序列和 68 亿图谱条目代表了当前蛋白质 AI 的最大数据 footprint。ESMC 采用与大型语言模型类似的 Transformer 架构，但通过蛋白质特有的分词策略（将氨基酸视为 token）和进化掩码方案，在序列长度扩展上做了针对性优化。蛋白质序列通常数百至数千个氨基酸，远短于自然语言文本，但三维结构约束使长程依赖建模更为复杂。
计算效率方面，ESMFold2 的端到端设计消除了传统流程中的中间步骤。在癌症和免疫学靶点的 binder 设计实验中，计算搜索从传统的数月缩短至数天。实验室验证显示，针对 EGFR、PD-L1 等五个靶点的设计命中率达到 36-88%（小型 binder）和 15-29%（抗体衍生格式）。这种效率提升的关键在于将结构预测与亲和力评估集成到统一的计算流程中，避免了反复调用外部工具的 I/O 开销。
开放架构方面，三个组件均通过 biohub.ai 平台以开源形式发布，支持研究者接入自有数据。这种开放性不仅是许可策略，更是架构决策 —— 系统设计时即考虑了异构数据源的接入需求，ESM Atlas 的 API 允许批量查询和自定义索引。
工程实践中的权衡与边界
尽管系统展现了强大的预测能力，工程实践中仍需注意其设计边界。
验证依赖是首要约束。计算设计的 binder 必须在湿实验中验证，模型输出的是候选集合而非最终解决方案。Biohub 的实验数据显示，即使在高命中率场景下，仍需多轮迭代筛选。这意味着生产环境中的计算 - 实验闭环延迟仍是瓶颈，系统优化需考虑实验调度的异步特性。
进化先验构成能力边界。ESMC 从进化选择模式中学习，其生成空间受限于自然进化探索过的区域。对于需要突破自然设计原则的全新功能蛋白（如非天然氨基酸掺入或极端环境下的稳定性设计），模型的外推能力存在不确定性。工程上可通过结合物理模拟层或引入人工选择数据来缓解这一限制。
资源需求方面，尽管 ESMFold2 降低了对 MSA 的依赖，但完整图谱的推理仍需要 substantial 计算资源。ESM Atlas 的 68 亿条目索引对存储和检索系统提出挑战，实际部署时需考虑分片策略和缓存优化。
生物计算平台的演进方向
Biohub 的发布标志着生物 AI 从工具向平台的转变。未来的工程优化可能聚焦以下方向：
- 增量学习：当前模型为静态训练，接入新数据需重新训练。实现增量更新能力将支持实时知识整合。
- 多模态融合：整合质谱、冷冻电镜等实验数据流，构建观测 - 预测闭环。
- 边缘部署：针对实验室场景的轻量级推理版本，支持实时设计迭代。
蛋白质世界模型的工程化实践表明，生物计算系统的核心竞争力不仅在于模型精度，更取决于数据管道、计算效率和开放生态的协同设计。对于从事 AI 生物学的工程团队而言，Biohub 的架构决策提供了可复用的参考范式：解耦表示学习与下游任务、以进化数据为先验、保持端到端的计算效率，同时在系统边界处预留实验验证的接口。
参考来源
- CZ Biohub 官方发布：Biohub releases a world model of protein biology
- ESMFold2 实验预印本：bioRxiv 2026.06.03.729735
内容声明：本文无广告投放、无付费植入。
如有事实性问题，欢迎发送勘误至 i@hotdrydog.com。