科研 Skill
ESMFold2 全原子共折叠
esmfold2
使用 Biohub ESMFold2/ESMFold2-Fast 进行全原子共折叠,支持单序列和 MSA 模式以及蛋白质、DNA、RNA、配体(CCD/SMILES)和修饰残基;FoldBench 抗体–抗原 DockQ 通过率为 50–55%,PPI 为 70–77%。也覆盖同一版本的 ESMC-{300M,600M,6B} 蛋白质语言模型,包括掩码语言模型 logits、隐藏状态、突变评分、接触预测和 SAE 可解释性预测头。适用于预测单序列输入的复合物结构、使用 ESMFold2-Fast 验证设计结合蛋白、运行 MSA 输入、获取 ESMC 嵌入或逐残基突变分数,以及选择符合论文吞吐设置的内核后端和采样步数。
SKILL.md
ESMFold2(Biohub)
Biohub ESM 2026 版本中的全原子扩散共折叠模型。ESMFold2 包含 48 个成对表示层并支持 MSA;ESMFold2-Fast 包含 24 层,仅支持单序列,速度约快 1.7 倍。
许可证: MIT(代码:github.com/Biohub/esm;权重:HF biohub/*)。
论文: “Language Modeling Materializes a World Model of Protein Biology”(2026)。
安装
需要 CUDA 12.x GPU(H100/A100 级别),并且仅支持 Python 3.12。请使用全新虚拟环境;安装过程需要访问 HF Hub、GitHub 和 PyPI:
pip install --no-cache-dir uv
uv venv --python 3.12 /work/venv && source /work/venv/bin/activate
uv pip install \
"torch>=2.5,<2.8" einops "biotite>=1.0" rdkit msgpack-numpy biopython \
scikit-learn brotli attrs pandas cloudpathlib httpx tenacity zstd pydssp \
pygtrie accelerate huggingface_hub safetensors "numpy<3" networkx \
sentencepiece tokenizers regex packaging filelock pyyaml typing_extensions \
"transformers @ git+https://github.com/Biohub/transformers.git@3a8956fb4d4ea16b0ec8e71deef2c2909b6a5cbf"
uv pip install --no-deps "esm @ git+https://github.com/Biohub/esm.git@f652b471"
# 可选——只影响 ESMC attention;trunk 加速来自 set_kernel_backend("fused")
uv pip install ninja packaging wheel setuptools
MAX_JOBS=8 uv pip install --no-deps --no-build-isolation "flash-attn<3"
# 不要安装 transformer-engine——导入时的 RuntimeError(而不是 ImportError)
# 会绕过 ESMC 的保护逻辑,并导致 ESMFold2Model 导入失败。
remote-compute-modal skill 中捆绑的 esmfold2_gpu Modal 环境是规范的、版本固定的安装方案。
注意事项:
- 默认内核后端为
None(参考 PyTorch 路径,约比论文设置慢 12 倍)。在from_pretrained()后调用model.set_kernel_backend('fused')。参见下文。 - 使 PyTorch CUDA 构建版本与驱动程序匹配;
<2.8的版本限制针对 CUDA 12.2。 - 权重通过 Xet bridge 以约 300 MB/s 下载:ESMFold2 为 1.36 GB,ESMFold2-Fast 为 0.76 GB。设置
HF_HOME=/work/hf_cache。
用法——本地模型
from esm.models.esmfold2 import (
ESMFold2InputBuilder, StructurePredictionInput,
ProteinInput, DNAInput, RNAInput, LigandInput, Modification,
)
from transformers.models.esmfold2.modeling_esmfold2 import ESMFold2Model
model = ESMFold2Model.from_pretrained("biohub/ESMFold2").cuda().eval()
# 或 "biohub/ESMFold2-Fast"(24 层、不支持 MSA、约快 1.7 倍)
# 或 "biohub/ESMFold2-Experimental{,-Fast}{,-Cutoff2025}"(4 个设计 critic 模型)
spi = StructurePredictionInput(sequences=[
ProteinInput(id="A", sequence=target_seq),
ProteinInput(id="B", sequence=binder_seq),
# DNAInput(id="C", sequence="ACGT", modifications=[Modification(position=5, ccd="C36")]),
# RNAInput(id="D", sequence="ACGU"),
# LigandInput(id="L", ccd=["SAH"]), # 或 smiles="..."
])
# 同源二聚体:ProteinInput(id=["A","B"], sequence=seq)
results = ESMFold2InputBuilder().fold(
model, spi,
num_loops=10, # 论文 FoldBench 评估:10;20-loop 变体:20
num_sampling_steps=68, # 论文评估:68(截断 EDM)
num_diffusion_samples=5, # 论文评估:每个 seed 5 个
seed=0,
)
# fold() 返回 list[Prediction],每个扩散样本对应一个 Prediction。每个对象包含
# .plddt [L]、.ptm、.iptm、.pae [L,L]、.pair_chains_iptm、.complex.to_mmcif()。
# 复合物按 ipTM 排名,单体按平均 pLDDT 排名:
best = max(results, key=lambda r: float(r.iptm if r.iptm is not None
else r.plddt.mean()))
open("pred.cif", "w").write(best.complex.to_mmcif())
忠实于论文的 FoldBench 设置: 10 次循环、68 个采样步骤、25 个 seed × 5 个扩散样本;复合物按 ipTM 排名,单体按 pLDDT 排名;MSA 模式还使用 msa_depth=1024、10% 列遮盖和 0.3 的 ESMC dropout。
HF biohub/ 上的模型变体
| 仓库 | 大小 | 成对表示层 | MSA | 用途 |
|---|---|---|---|---|
ESMFold2 | 0.94 GB + ccd.pkl 0.42 GB | 48 | 是 | 完整评估 |
ESMFold2-Fast | 0.76 GB | 24 | 否 | 快速单序列 |
ESMFold2-Experimental{,-Fast} | 0.90/0.72 GB | 48/24 | — | 设计搜索(算法 11) |
ESMFold2-Experimental{,-Fast}-Cutoff2025 | 0.90/0.72 GB | — | — | 设计搜索 + critic |
ESMFold2-Experimental-Fast-base{300M,600M,6B}-step{250k..1500k} | — | — | — | 15 个 critic 集成 |
吞吐量:必须使用 set_kernel_backend("fused")
默认使用慢速路径。 ESMFold2Model.from_pretrained(...) 加载后 _kernel_backend=None(参考 PyTorch),chunk_size=64。必须调用:
model = ESMFold2Model.from_pretrained("biohub/ESMFold2").cuda().eval()
model.set_kernel_backend("fused") # 内置 Triton TriMul/LN+SwiGLU/pair-bias 内核
model.set_chunk_size(None) # L<=1024 时最优且不会 OOM;更长序列使用 256
"fused" 相比参考后端可使 trunk 加速约 1.5–6 倍,并且序列越长,加速越明显;短序列的端到端 fold() 受扩散阶段限制,因此 fused 大约在 L≈300–400 时才开始产生净收益。fused 与参考路径的输出在数值上一致,pLDDT 差异处于噪声范围内。"fused" 使用 PyTorch GPU wheel 自带的 Triton,仅适用于推理——在反向传播时会自动禁用。L 超过约 1400 且 chunk_size=128 时会触发非法内存访问;此时回退到 set_kernel_backend(None) + set_chunk_size(64)。该组合已验证至 L=1024。
不要使用 set_kernel_backend("cuequivariance"):cuequivariance-torch==0.10.0 wheel 缺少编译后的操作,并会静默回退到参考路径。apply_torch_compile() 是另一种选择,但不能与 fused 叠加;应先调用 set_kernel_backend(None)。
ESMFold2-Experimental*——设计钩子
Experimental 变体公开 res_type_soft,可用于梯度引导设计——需要时读取 references/design-hook.md。不要对 Experimental 变体使用 fused 后端,否则会发生 fp32/bf16 dtype 崩溃;参考路径才是正确选择。
注意:cuSOLVER SVD 污染与 structseq 构造函数
modeling_esmfold2_common.py 中的 Kabsch 对齐会对批量 3×3 矩阵调用 torch.linalg.svd(H32, driver="gesvd")。NaN/Inf 输入(退化扩散样本)会破坏 cuSOLVER 工作区,导致此后的所有 CUDA 调用都以“illegal memory access”失败。可通过 monkeypatch 将小型批量 SVD 转移到 CPU:
_orig_svd = torch.linalg.svd
def _safe_svd(A, full_matrices=True, driver=None):
if A.is_cuda and A.shape[-1] <= 4 and A.shape[-2] <= 4:
Acpu = A.detach().float().cpu()
if not torch.isfinite(Acpu).all():
Acpu = torch.nan_to_num(Acpu, nan=0.0, posinf=1e6, neginf=-1e6)
out = _orig_svd(Acpu, full_matrices=full_matrices)
# torch.return_types.linalg_svd 是 C structseq,其构造函数接收一个元组。
return type(out)(tuple(t.to(A.device, A.dtype) for t in out))
return _orig_svd(A, full_matrices=full_matrices, driver=driver)
torch.linalg.svd = _safe_svd
注意应使用 type(out)(tuple(...)),而不是 type(out)(*(...))——torch.return_types.* 是 C structseq,其构造函数只接收一个元组参数。
MSA 模式
ESMFold2 通过 ProteinInput(id, sequence, msa=MSA) 支持逐链 MSA 输入。MSA 对象位于 esm.utils.msa.msa.MSA:
from esm.utils.msa.msa import MSA
# ProteinInput、StructurePredictionInput 已在上面导入
msa_A = MSA.from_a3m("/path/chain_A.a3m", max_sequences=2048)
msa_B = MSA.from_a3m("/path/chain_B.a3m", max_sequences=2048)
inp = StructurePredictionInput(sequences=[
ProteinInput(id="A", sequence=seq_A, msa=msa_A),
ProteinInput(id="B", sequence=seq_B, msa=msa_B),
])
注意事项:
MSA.from_a3m(remove_insertions=True)会在移除插入后断言所有行长度相等。ColabFold A3M 文件经常带有尾随空字节,并且部分行与查询序列相差一个位置——使用tr -d '\000',并强制第 0 行与查询序列完全一致;也可以清洗出与查询等长的行后使用MSA.from_sequences。- ESMFold2-Fast 不支持 MSA,只能使用单序列。
- 根据论文评估,MSA 模式可提高抗体–抗原界面的通过率。
与论文一致的推理配置
论文 FoldBench 协议(A.2.11 节):
| 参数 | 论文默认值 | 论文“20lp” | 说明 |
|---|---|---|---|
num_loops(folding-trunk 循环) | 10 | 20 | 抗体–抗原提高约 2 个百分点 |
num_sampling_steps(扩散) | 68 | 68 | 针对 EDM 调优;不要使用 200 |
| seed × 扩散样本 | 25 × 5 | 25 × 5 | 图 S6/S7 oracle = 125 个样本中的最佳结果 |
训练数据截止时间
ESMFold2 和 ESMFold2-Fast 都使用 2021 年 9 月的 PDB 训练数据截止时间,来源为 HF biohub/ESMFold2 README。
ESMC 语言模型
ESMC 是 Biohub 的 ESM-2 后继模型,共有三种规模:300M(30 层)、600M(36 层)和 6B(80 层,d=2560)。HF 加载路径为 AutoModelForMaskedLM.from_pretrained("biohub/ESMC-6B")。
掩码标记是 <mask>(ID 32),应使用 tok.mask_token。原生 SDK 的 _ 约定不适用于 HF tokenizer:_ 不在词表中,会被编码为 <unk>,从而静默破坏突变评分。
需要 ESMC 完整 API、突变评分、SAE 特征或接触预测时,读取 references/esmc.md。
详细信息
作者
Anthropic
许可证
Apache-2.0
第三方软件、内容、条款和信息
- 权重: ESMFold2/ESMC · Biohub(MIT)— 条款
所属插件
安装该插件会一并获得同领域的 31 个 Skill / MCP。
同插件的其他科研 Skill
- AlphaFold2 蛋白质结构预测使用 ColabFold 运行器和 AlphaFold2/AlphaFold2-Multimer 预测蛋白质单体、多聚体与复合物结构,并通过 pLDDT、ipTM 和 RMSD 评估预测与设计质量。
- 生信论文写作助手按钮审批、本机R优先与生信论文质控交付
- BioServices 生信数据库助手统一访问生物信息数据库
- Boltz 生物分子共折叠使用 Boltz-2 预测蛋白质、核酸和小分子复合物结构(Passaro、Wohlwend 等,2025)。适用于针对靶标验证设计的结合蛋白、将蛋白质与 SMILES 或 CCD 配体共同折叠,或使用可选的结合亲和力预测功能获得开源 AlphaFold3 替代方案。
- Borzoi 基因组调控预测使用 Borzoi 根据 DNA 序列预测全基因组功能轨迹(RNA-seq、CAGE、DNase、ChIP)。适用于评估变异对表达或染色质可及性的调控效应、生成某个基因组位点的预测覆盖轨迹,或根据预测轨迹差值确定非编码变异的优先级。
- bulk RNA-seq 分析助手复现 bulk RNA-seq 分析流程
- Chai-1 复合物结构预测使用 Chai-1 基础模型(Chai Discovery,2024,github.com/chaidiscovery/chai-lab)预测蛋白质、核酸和小分子复合物结构。适用于从单个 FASTA 预测抗体—抗原或蛋白质—配体复合物、将设计的结合蛋白重新折叠并作为 AlphaFold-Multimer 的替代方案,或通过 Python 在 GPU 上执行批量共折叠任务。
- 肿瘤枢纽基因课题规划规划传统肿瘤生信课题
- deepTools NGS 信号分析生成 NGS 质控和信号图
- DiffDock 小分子对接使用 DiffDock-L(Corso 等,2023/2024)预测小分子结合姿势。它通过盲扩散对接,在无需预定义搜索框的情况下将配体放入蛋白质口袋,并使用学习得到的置信度模型对样本排序。适用于将 SMILES 或 SDF 对接至 PDB、为小型片段库生成排序后的三维姿势,或为后续重打分生成起始姿势。DiffDock 预测几何构象,而非亲和力。
- Evo 2 基因组基础模型使用长上下文基因组基础模型 Evo 2 对 DNA 序列进行评分、嵌入和生成。适用于计算逐核苷酸或逐序列似然以评估变异效应、嵌入基因组窗口供下游分类使用、根据前缀生成 DNA,以及跨物种评估调控区或编码区。
- ESM-2 蛋白质语言模型使用 Meta AI 的 ESM-2(`fair-esm` 软件包)生成蛋白质嵌入。适用于提取残基级或序列级嵌入供下游机器学习使用、进行掩码语言模型似然或突变效应评分,以及根据序列预测接触图。
- gget 生信检索助手跨生信数据库检索基因蛋白信息
- 治疗适应症研究档案生成治疗适应症档案,覆盖患者人群、流行病学、疾病生物学、标准治疗、监管先例和里程碑式临床试验。
- LigandMPNN 配体环境蛋白设计使用 LigandMPNN(Dauparas 等,2023)在配体、核酸和金属环境下对蛋白质骨架进行逆折叠。适用于重新设计结合口袋中围绕已结合小分子或辅因子的残基、设计必须保持几何构型的金属配位位点,或从任意 MPNN 运行中获得穿线了设计序列的 PDB。
- 科学文献综述查找、核验并综合科学文献——从“X 领域的奠基性论文是哪篇”到完整的多来源综述。涵盖以真实检索到的来源支撑论断、避免伪造引文、处理撤稿,以及根据证据强度校准置信程度。
- 医学文献精读助手精读医学文献并提取关键信息
- Methods 段落写作助手改写可投稿的 Methods 段落
- 科研晨间简报将用户的晨间简报渲染为有样式的 HTML 产物,或将其设置为工作日循环任务。仅当用户明确要求运行、查看或设置晨间简报,或明确调用 /morning 时使用;仅询问当天安排、日程或日历并不构成晨间简报请求,应直接回答。
- OpenFold3 复合物结构预测使用 OpenFold3 进行结构预测。OpenFold3 是 AlQuraishi 实验室开发的 AlphaFold3 开放权重 PyTorch 复现。适用于使用 Apache-2.0 许可的 AF3 复现模型预测蛋白质、核酸和配体复合物结构。
- 通路富集分析助手执行通路和基因集富集分析
- ProteinMPNN 蛋白质序列设计使用 ProteinMPNN(Dauparas 等,2022,github.com/dauparas/ProteinMPNN)将蛋白质骨架(PDB 结构)逆折叠为氨基酸序列。适用于对 RFdiffusion 骨架进行序列设计、在固定界面残基的同时重新设计 PDB 中的一条链,或生成跨温度采样的序列集合供下游折叠使用。
- PyDESeq2 差异表达分析分析 bulk RNA-seq 差异表达
- QTL 共定位研究规划设计 QTL 与 GWAS 共定位分析
常见问题
ESMFold2 全原子共折叠能做什么?
使用 Biohub ESMFold2/ESMFold2-Fast 进行全原子共折叠,支持单序列和 MSA 模式以及蛋白质、DNA、RNA、配体(CCD/SMILES)和修饰残基;FoldBench 抗体–抗原 DockQ 通过率为 50–55%,PPI 为 70–77%。也覆盖同一版本的 ESMC-{300M,600M,6B} 蛋白质语言模型,包括掩码语言模型 logits、隐藏状态、突变评分、接触预测和 SAE 可解释性预测头。适用于预测单序列输入的复合物结构、使用 ESMFold2-Fast 验证设计结合蛋白、运行 MSA 输入、获取 ESMC 嵌入或逐残基突变分数,以及选择符合论文吞吐设置的内核后端和采样步数。
如何安装ESMFold2 全原子共折叠?
在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「ESMFold2 全原子共折叠」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。
ESMFold2 全原子共折叠需要哪些权限?
该科研 Skill没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。
ESMFold2 全原子共折叠经过官方审核吗?
是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。