BioEmu: 来自Microsoft 从序列到蛋白构象系踪的生成式模型-原理/特点/本地部署

专栏全集《开源蛋白结构推理》

你遇到的情况是：想看一个蛋白的平衡态构象集合——局部展开、隐式口袋、domain 运动这些功能相关变化——但传统 MD 要跑几天到几个月，等不起。这篇文章给你 Microsoft Research AI4Science 2024-12 开源（MIT）的 BioEmu 完整本地部署路径：DiG 生成式模型两阶段训练（AFDB 16.1 万结构预训练 + 216 ms MD 微调），从单条氨基酸序列直接采样出服从玻尔兹曼分布的构象系综，100 残基采 1000 个样本在 A100 上只要约 4 分钟，相对自由能误差约 0.9 kcal/mol。你能直接拿去做的事：在 Linux + NVIDIA GPU 上pip install bioemu[cuda]，用 Chignolin 十残基例子跑通 samples.xtc 输出，按需开 physical_steering 减少断链和 clash 样本，再用 sidechain_relax 补侧链加短 MD 平衡；没有 GPU 时走 Azure AI Foundry 在线推理。

文献

一、原理

BioEmu 是什么：一个能从氨基酸序列出发，采样出蛋白平衡态构象集合（Boltzmann 分布）的生成式深度学习模型，由 Microsoft Research AI4Science 团队 2024-12 开源（MIT），2026-07 时 839 stars、144 forks，论文已发Science(DOI: 10.1126/science.adv9817)。

怎么做到的：模型主体是DiG（Denoising Graph-based，可参考Nat Mach Intell2024-08-12 s42256-024-00837-3），训练分两阶段：

1. 预训练：在 AFDB（AlphaFold Database）的 16.1 万条结构上做 denoising score matching，学习蛋白结构流形。
2. 微调：在 216 ms MD 模拟数据上继续 denoising，同时用 Property Prediction Fine-Tuning（PPFT）对齐实验测得的折叠自由能（19k dG 数据）。

核心四点：

1. 采样 = 模拟平衡态分布：不是给一个"最可能"的结构，而是给一组服从玻尔兹曼分布的构象，能看到局部展开、隐式口袋形成、域运动等功能相关变化。
2. 配 steering 系统：在扩散过程中引入物理势能（Cα–Cα 距离避免断链、PairwiseClash 避免重叠），用 SMC（Sequential Monte Carlo）或 FKC（Feynman–Kac Corrector）算法纠偏。
3. 输出 backbone 坐标：侧链靠后处理（HPacker）+ 短 MD 平衡重建。
4. 3 个版本权重：v1.0（论文 preprint 版）、v1.1（Science 发表版，默认）、v1.2（额外 1.3M dG 数据）。

输入是单条氨基酸序列，输出是一堆 PDB / XTC 构象 + 拓扑。仅 Linux + NVIDIA GPU（v1.0+ 内置 ColabFold 做 MSA，所以首次运行要联网下 MSA；模型权重从 HuggingFace 自动下）。

二、特点（跟现有方案比有什么不一样）

最值得关注的四点：

1. 首个"对标 MD 自由能精度"的深度学习采样器：相对自由能误差 ~0.9 kcal/mol（vs 实验）、~0.9 kcal/mol（vs MD 模拟），Spearman 相关系数 0.6。
2. 比传统 MD 快几个数量级：100 残基采 1000 个样本只要 4 分钟（A100 80GB），传统 MD 同样的工作要几天。
3. 覆盖功能相关构象变化：domain motion 覆盖 83%、cryptic pockets holo 状态 88%、local unfolding 70-82%。
4. 配套 steering 物理纠偏：3-10 个 steering 粒子能显著减少不物理样本（clash、断链），可作为自定义 CV 的靶向工具。

三、零基础手把手教程

3.1 在动手之前，先确认你能满足这些条件

⚠️最重要的两条：Linux + NVIDIA GPU。README 第一行明写 "Linux-only pip-installable"。

3.2 安装 bioemu

# CPU 版（仅采样，不含 GPU 加速） pip install bioemu # CUDA 版（推荐） pip install bioemu[cuda]

💡bioemu[cuda]会自动装jax[cuda12]==0.4.35+nvidia-cuda-nvcc-cu12==12.8.93。第一次跑会下载 AlphaFold2 权重 ~3.5 GB 到~/.cache/colabfold/。

3.3 第一次采样：Chignolin（10 残基超快蛋白）

最小可工作例子：

python -m bioemu.sample \ --sequence GYDPETGTWG \ --num_samples 10 \ --output_dir ~/test-chignolin

预期输出：

samples.xtc # 10 帧构象轨迹 sequence.fasta # 输入序列 topology.pdb # 蛋白拓扑

第一次跑会出现：

1. 下载 AF2 权重到~/.cache/colabfold/（~3.5 GB）
2. 通过 ColabFold 服务器查 MSA（要联网）
3. 下载 BioEmu 权重到~/.cache/huggingface/（从microsoft/bioemu）

3.4 Python API 同样简洁

from bioemu.sample import main as sample sample( sequence='GYDPETGTWG', num_samples=10, output_dir='~/test_chignolin' )

3.5 用 FASTA 文件做输入（多序列批量）

sample( sequence='path/to/protein.fasta', # 单序列 FASTA num_samples=100, output_dir='~/batch_samples' )

3.6 用 steering 提升物理真实性

默认采样会有不物理样本（clash、断链），开 steering：

python -m bioemu.sample \ --sequence GYDPETGTWG \ --num_samples 100 \ --output_dir ~/steered-samples \ --denoiser_config src/bioemu/config/steering/physical_steering.yaml

⚠️实测坑（2026-09-12）：上面这条命令抄自官方 README，但src/bioemu/...是仓库相对路径，pip 安装的用户没有这个路径，会直接报错。pip 装完后 yaml 实际在 site-packages 里，用下面这条：

# pip 安装用户的正确写法（把 <conda-env> 换成你的环境路径） python -m bioemu.sample \ --sequence GYDPETGTWG \ --num_samples 100 \ --output_dir ~/steered-samples \ --denoiser_config <conda-env>/lib/python3.11/site-packages/bioemu/config/steering/physical_steering.yaml

找路径一行命令：python -c "import bioemu,os;print(os.path.dirname(bioemu.__file__))"。

物理 steering YAML 启用了两个势能：

Steering 关键参数（在 YAML 文件中）：

3.7 用自己的 MSA（不走 ColabFold 服务器）

如果你已经通过本地 MMseqs2 / ColabFold 跑好了 MSA，直接传 A3M：

sample( sequence='path/to/query.a3m', # query 必须在第一行 num_samples=100, output_dir='~/local_msa_samples' )

或者覆盖 MSA 查询服务器：

sample( sequence='GYDPETGTWG', num_samples=100, output_dir='~/samples', msa_host_url='http://your-local-mmseqs-server:8000' )

3.8 用特定 checkpoint 版本

默认用bioemu-v1.1（Science 发表版）。其他版本：

sample( sequence='GYDPETGTWG', num_samples=10, output_dir='~/v1_0_samples', model_name='bioemu-v1.0' # preprint 版 )

可用版本：

3.9 看输出 & 后处理

输出文件：

默认行为：会自动过滤不物理样本（clash / 断链），所以实际输出样本数可能少于--num_samples请求数。如果想保留全部原始样本：

python -m bioemu.sample \ --sequence GYDPETGTWG \ --num_samples 100 \ --output_dir ~/all_samples \ --filter_samples=False

3.10 侧链重建 + 短 MD 平衡（可选）

BioEmu 只输出 backbone，侧链要后处理：

# 1. 装可选依赖（要 conda） pip install bioemu[md] # 2. 跑侧链重建 + MD 平衡 python -m bioemu.sidechain_relax \ --pdb-path path/to/topology.pdb \ --xtc-path path/to/samples.xtc

输出文件：

其他选项：

⚠️实测坑（2026-09-12）：早期文档写的--md-protocol nvt_equil已失效，bioemu 1.4.1实际只接受local_minimization/md_equil两个值，写错直接报参数错误退出。实测 10 残基 9 帧跑默认流程（侧链重建 + 最小化）334 s、峰值内存 0.9 GB；输出samples_sidechain_rec.{pdb,xtc}（77 原子/帧，含侧链）与samples_md_equil.{pdb,xtc}。

⚠️ 首次跑sidechain_relax会自动建独立 venv 装hpacker，需要conda在 PATH。如果自动装失败，手动装 hpacker 并设HPACKER_PYTHONBIN环境变量。

3.11 把所有命令串起来（复制即用版）

# === 一键脚本（Ubuntu 22.04 + CUDA 12 + 普通用户）=== # 1. 装 bioemu（CUDA 版） pip install bioemu[cuda] # 2. 跑最简例子（Chignolin） python -m bioemu.sample \ --sequence GYDPETGTWG \ --num_samples 10 \ --output_dir ~/test-chignolin # 3. 看输出 ls ~/test-chignolin/ # samples.xtc sequence.fasta topology.pdb # 4. 跑带 steering 的版本（物理更合理） python -m bioemu.sample \ --sequence GYDPETGTWG \ --num_samples 100 \ --output_dir ~/steered-samples \ --denoiser_config src/bioemu/config/steering/physical_steering.yaml # 5. （可选）侧链重建 pip install bioemu[md] python -m bioemu.sidechain_relax \ --pdb-path ~/test-chignolin/topology.pdb \ --xtc-path ~/test-chignolin/samples.xtc

四、性能参考（A100 80GB 测得）

💡 用batch_size_100=20配置（src/bioemu/sample.py）。BioEmu 显存占用正比于 batch size × 序列长度，300 残基以上建议 batch 调到 5-10。

五、上手后想进阶？这些是常见下一步

1. 走 Azure AI Foundry 在线推理（无 GPU 也能用）：

# 详见 AZURE_AI_FOUNDRY.md # 1. 登录 https://ai.azure.com 注册 # 2. 部署 BioEmu（默认 Standard_NC24ads_A100_v4，约 30 分钟） # 3. 用 endpoint + API key 调用

2. 跑论文里的 benchmark：

git clone https://github.com/microsoft/bioemu-benchmarks # 详细见 bioemu-benchmarks 仓库

3. 自定义 steering CV：

参考src/bioemu/config/steering/cv_steer.yaml（FKC 模式下 RMSD 靶向 steering）写自己的 YAML。

4. 训练数据下载：

训练用的 MD 数据已在 Zenodo 公开：

5. Web 工具 / 衍生项目：

• AI Foundry Labs BioEmu-Protein3D（Web UI 包装）：GitHub - LazaUK/AIFoundryLabs-BioEmu-Protein3D: Web-UI wrapper for the Microsoft Research's Biomolecular Emulator (BioEmu) AI model to predict 3D protein structures. · GitHub
• GPCR 动力学分析：https://github.com/adi1bioinfo/bioEmu_GPCR
• ChimeraX + VAMPnet + BioEmu 多源系综分析：https://github.com/m9h/chimerax-vampnet

六、踩坑速查

关键字

BioEmu；构象系综采样；生成式模型；玻尔兹曼分布；隐式口袋；steering；自由能预测；Chignolin

相关专栏链接