清华AIR等提出ESM-AA，首个从氨基酸到原子尺度的蛋白质语言模型
来自清华大学AIR、北京大学、南京大学的研究团队提出了ESM-AA模型。该模型在蛋白质语言建模领域取得了重要进展，提供了一套整合多尺度信息的统一建模方案。它是首个能同时处理氨基酸信息和原子信息的蛋白质预训练语言模型。模型的出色性能展示了多尺度统一建模在克服现有局限和解锁新能力方面的巨大潜力。作为基座模型，ESM-AA获得了多位学者的关注与广泛讨论（截图见下方），被认为有潜力基于ESM-AA开发出可与AlphaFold3、RoseTTAFoldAll-Atom相竞争的模型，为研究不同生物结构间的相互作用开辟
来自清华大学AIR、北京大学、南京大学的研究团队提出了 ESM-AA 模型。该模型在蛋白质语言建模领域取得了重要进展，提供了一套整合多尺度信息的统一建模方案。
它是首个能同时处理氨基酸信息和原子信息的蛋白质预训练语言模型。模型的出色性能展示了多尺度统一建模在克服现有局限和解锁新能力方面的巨大潜力。
作为基座模型，ESM-AA 获得了多位学者的关注与广泛讨论（截图见下方），被认为有潜力基于 ESM-AA 开发出可与 AlphaFold3、RoseTTAFold All-Atom 相竞争的模型，为研究不同生物结构间的相互作用开辟了新的道路。当前论文已被 ICML 2024 录⽤。
研究背景
蛋白质是各种生命活动的关键执行者。深入理解蛋白质及其与其他生物结构的相互作用是生物科学中的核心议题，这对靶向药物筛选、酶工程等领域具有显著的实际意义。
因此，如何更好地理解与建模蛋白质也成为了目前 AI4Science 领域的一个研究热点。
近日来，包括 Deepmind、华盛顿大学 Baker 组在内的各大前沿研究机构也针对蛋白质全原子建模问题展开了深入研究，提出了包括 AlphaFold 3、RoseTTAFold All-Atom 等针对蛋白质以及其他生命活动相关分子的全原子尺度建模模型，可以在很高的精度下实现对蛋白质结构、分子结构以及受体-配体结构等全原子尺度的精确预测。
虽然这些模型对于全原子尺度的结构建模取得了重大进展，目前主流的蛋白语言模型仍然无法实现全原子尺度的蛋白质理解与表示学习。
多尺度，下一代蛋白质模型的「必经之路」
以 ESM-2为代表的蛋白质表示学习模型，它们以氨基酸作为构建模型的唯一尺度，这对于专注于处理蛋白质的情境而言是一种合理的方法。
然而，要全面理解蛋白质的本质，关键在于阐述它们与其他生物结构（如小分子、DNA、RNA 等）之间的相互作用。
面对这种需求，需要描述不同结构间复杂的相互作用，单一尺度的建模策略难以提供有效的全面覆盖。
为了克服这一缺陷，蛋白质模型正在经历一场向多尺度模型转变的深刻革新。例如，5月初发表在《Science》杂志上的 RoseTTAFold All-Atom 模型，作为 RoseTTAFold 的后续产品，引入了多尺度概念。
这一模型不仅仅局限于蛋白质结构预测，还拓展到了蛋白质与分子/核酸的对接、蛋白翻译后修饰等更广泛的研究领域。
同时，DeepMind 最新发布的 AlphaFold3 也采用了多尺度建模策略，支持预测多种蛋白复合物的结构，其表现令人瞩目，无疑将对人工智能和生物学领域产生重大影响。
ESM All-Atom，多尺度的蛋白质语言模型基座
RoseTTAFold All-Atom 和 AlphaFold3 对多尺度概念的成功应用启发了一个重要思考，即：作为蛋白质基座模型的蛋白语言模型应如何采纳多尺度技术。基于此，该团队提出了多尺度蛋白质语言模型 ESM All-Atom（ESM-AA）。
简要来说，ESM-AA 通过将部分氨基酸「展开」（Unzip）为对应的原子组成引入了多尺度概念。随后，通过混合蛋白数据与分子数据进行预训练，这使得模型具备了同时处理不同尺度生物结构的能力。
此外，为了帮助模型更好地学习优质的原子尺度信息，ESM-AA 还会利用原子尺度的分子结构数据进行训练。而且通过引入图 2 所示的多尺度位置编码机制，ESM-AA 模型可以很好地对不同尺度的信息进行区分，确保模型能够精确理解残基层面与原子层面的位置与结构信息。
多尺度预训练目标
为了帮助模型学习多尺度信息，该团队为 ESM-AA 模型设计了多种预训练目标。ESM-AA 的多尺度预训练目标包括掩码语言建模（MLM）和成对距离恢复（PDR）。如图 3(a) 所示，MLM 通过遮盖氨基酸和原子，要求模型根据周围的上下文进行预测，这一训练任务可以在氨基酸和原子两个尺度上进行。而 PDR 则要求模型准确预测不同原子之间的欧几里得距离，以训练模型理解原子级的结构信息（如图 3(b) 所示）。
实验验证
性能评估
ESM-AA 模型在多种蛋白-小分子基准任务上进行微调和评估，包括酶-底物亲和力回归任务（结果展示于图 4）、酶-底物对分类任务（结果展示于图 4）和药物-靶标亲和力回归任务（结果展示于图 5）。
结果显示，ESM-AA 在这些任务中优于之前的模型，表明其在氨基酸和原子尺度上充分发挥了蛋白质预训练语言模型的潜力。
图 5：药物-靶标亲和力回归任务性能比较
此外，ESM-AA 模型也在蛋白质接触预测、蛋白功能分类以及分子性质预测等任务上测试了性能。
结果显示，在处理仅涉及蛋白质的任务时，ESM-AA 的表现与 ESM-2 相当；在分子任务上，ESM-AA 模型的性能优于大多数基准模型，与 Uni-Mol 的表现相近。
这表明，ESM-AA 在获取强大分子知识的过程中并未牺牲对蛋白质的理解能力，也进一步说明了 ESM-AA 模型成功复用了 ESM-2 模型的知识，而无需被从头开始重新开发，显著降低了模型训练成本。
可视化分析
为了进一步分析 ESM-AA 在蛋白-小分子基准任务上表现优异的原因，该论文展示了 ESM-AA 模型以及 ESM-2+Uni-Mol 模型组合在该任务中抽取的样本表征分布的可视化结果。
如图 6 所示，ESM-AA 模型所学习的蛋白和小分子表示之间更为紧凑，这预示着两者处于同一表示空间，这是 ESM-AA 模型优于 ESM-2+Uni-Mol 模型的原因，进一步说明了多尺度统一分子建模的优势。
结语
清华 AIR 团队开发的 ESM-AA 是首个融合氨基酸与原子信息处理的蛋白质预训练语言模型。模型通过整合多尺度信息，展现出稳健且卓越的性能，为解决生物结构间相互作用难题提供了新途径。
ESM-AA不仅促进了对蛋白质更深层次的理解，还在多项生物分子任务中表现出色，证明了其在保持蛋白质理解能力的同时可以有效融合分子层面知识，降低了模型训练的成本，为 AI 辅助的生物科学研究开辟了新方向。
论文标题：ESM All-Atom: Multi-Scale Protein Language Model for Unified Molecular Modeling
3月28日，OPPOFind系列产品负责人周意保在微博发文，表示OPPO已经进入了5.5G时代。OPPOFindX7系列周意保在微博上传了一张截图，图中的手机锁屏界面右上方状态栏信号一栏显示为5GA，也就是人们更加熟悉的5.5G。此外，周意保也发文称："和大家一起进入5.5G新移动网络时代！"宣布了5.5G新移动网络时代的到来。OPPOFind系列产品负责人周意保微博有博主表示，OPPOFindX7系列即将行业首发支持5G-A（5.5G），OTA固件已经准备好了。5G-A理论上可以实现10倍提升的连接速率
作者|香港中文大学白帆编辑|ScienceAI近日，香港中文大学和智源联合提出的M3D系列工作，包括M3D-Data,M3D-LaMed和M3D-Bench，从数据集、模型和测评全方面推动3D医学图像分析的发展。（1）M3D-Data是目前最大的3D医学图像数据集，包括M3D-Cap(120K3D图文对),M3D-VQA(510K问答对)，M3D-Seg（150K3DMask），M3D-RefSeg(3K推理分割)共四个子数据集。（2）M3D-LaMed是目前最多功能的3D医学多模态大模型，能够解决文本（
编辑|紫罗AI在简化药物发现方面的应用正在爆炸式增长。从数十亿种候选分子中筛选出可能具有开发新药所需特性的分子。需要考虑的变量太多了，从材料价格到出错的风险，即使科学家使用AI，权衡合成最佳候选分子的成本也不是一件容易的事。在此，MIT研究人员开发了一个定量决策算法框架SPARROW，来自动识别最佳分子候选物，从而最大限度地降低合成成本，同时最大限度地提高候选物具有所需特性的可能性。该算法还确定了合成这些分子所需的材料和实验步骤。SPARROW考虑了一次合成一批分子的成本，因为多个候选分子通常可以从一些相
编辑|萝卜皮OpenAI的GPT和MetaAI的Llama等大型语言模型（LLM）因其在化学信息学领域的潜力而日益受到认可，特别是在理解简化分子输入行输入系统（SMILES）方面。这些LLM还能够将SMILES字符串解码为矢量表示。加拿大温莎大学（UniversityofWindsor）的研究人员比较了GPT和Llama与SMILES上的预训练模型在下游任务中嵌入SMILES字符串的性能，重点关注两个关键应用：分子特性预测和药物-药物相互作用预测。该研究以「Canlargelanguagemodelsun
编辑|萝卜皮在处理语言时，大脑会部署专门的计算来从复杂的语言结构中构建含义。基于Transformer架构的人工神经网络是自然语言处理的重要工具。普林斯顿大学的研究人员探讨了Transformer模型和人类大脑在语言处理中的功能特殊化问题。Transformer通过结构化电路计算整合单词间的上下文信息。不过，当前的研究主要集中于这些电路生成的内部表征（「嵌入」）。研究人员直接分析电路计算：他们将这些计算解构为功能专门的「transformations」，将跨词语的上下文信息整合在一起。利用参与者聆听自然故
编辑|X人工智能（AI）在过去几年中以惊人的速度发展。一些科学家现在着眼于超级人工智能（ArtificialSuperintelligence，ASI）的发展，这是一种不仅超越人类智能，而且不受人类学习速度限制的AI。超级人工智能的发展可能会带来巨大的影响和挑战。一方面，它可能为我们带来前所未有的技术进步和创新，解决各种复杂的问题。另一方面，由于其超越人类智慧的能力，我们也需要谨慎对待和管理它的发展，以避免可能的风险和危害。因此但如果这个里程碑不仅仅是一项了不起的成就呢？如果它也代表了所有文明发展的一个巨
编辑|枯叶蝶准确识别药物-靶标相互作用（DTI）是药物发现和药物重新定位过程中的关键步骤之一。目前，许多基于计算的模型已被提出，用于预测DTI，并取得了一些显著的进步。然而，这些方法很少关注如何以适当的方式融合与药物和靶标相关的多视角相似性网络。此外，如何充分结合已知的相互作用关系来准确表示药物和靶标尚未得到很好的研究。因此，提高DTI预测模型的准确性仍然是必要的。在最新的研究中，郑州大学、电子科技大学团队提出了一种新方法MIDTI。该方法采用多视图相似性网络融合策略和深度交互式注意机制来预测药物-靶标相
编辑|萝卜皮生物大分子结构对于药物开发和生物催化至关重要。量子力学（QM）方法进行晶体细化，在提高结构质量至纠正生物大分子的结构方面显露出前景。量子细化（Quantumrefinement，QR）方法采用可靠的量子力学（QM）方法进行晶体精化，以显示出前景。然而，巨大的计算成本和复杂的量子力学/分子力学（QM/MM）设置限制了QR的应用。在南方科技大学的研究团队将稳健的机器学习势（MachineLearningPotentials，MLP）融入多尺度ONIOM（QM:MM）方案中，来描述核心部分（例如药物
序列建模的进展具有极大的影响力，因为它们在广泛的应用中发挥着重要作用，包括强化学习（例如，机器人和自动驾驶）、时间序列分类（例如，金融欺诈检测和医学诊断）等。在过去的几年里，Transformer的出现标志着序列建模中的一个重大突破，这主要得益于Transformer提供了一种能够利用GPU并行处理的高性能架构。然而，Transformer在推理时计算开销很大，主要在于内存和计算需求呈二次扩展，从而限制了其在低资源环境中的应用（例如，移动和嵌入式设备）。尽管可以采用KV缓存等技术提高推理效率，但Trans
编辑|白菜叶ElliePavlick，一位计算机科学家，谈论她的工作——寻找大语言模型（LLM）中理解的证据——听起来可能像是在开玩笑。“hand-wavy”这个短语是她最喜欢的，如果她提到“意义”或“推理”，它通常会带有引号。这名科学家是一位在布朗大学和GoogleDeepMind研究语言模型的计算机科学家，他知道接受自然语言固有的模糊性是认真对待自然语言的唯一方法。“这是一门科学学科——而且有点儿脆弱。”他说。从青春期开始，精确性和细微差别就一直存在于Pavlick的世界里，当时他喜欢数学和科学。作为
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
