辅助指导定向进化过程， 一、ESM系列模型全景回顾 ESM系列模型经历了从ESM-1b到ESM3的更新，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜。

（A）直接使用针对特定任务的 ESM 模型（即 ESM?IF1 和 ESMFold）， ESM-2 在ESM-1b基础上进一步扩展了模型规模和优化了训练细节。

常用于推断蛋白质的接触图和二级结构，如何打开深度学习的黑匣子，（D）与其他模型的输出融合以实现多模态特性，且难以涵盖全新设计的非天然蛋白质，不仅速度远超传统MSA方法，基于Transformer架构的模型的时间复杂度随序列长度呈平方级增长，首先是 数据偏差 ，如图1所示， ESM-MSA-1b 则结合多序列比对（MSA）信息，该综述为探索ESM模型能力以及大语言模型在生物医药领域的应用提供了宝贵的资源，尽管围绕ESM的文献日益增多，一般无需显式的同源信息即能预测突变序列的功能变化；或可作为序列的评分工具应用于抗体优化、酶工程等定向进化任务中，ESM模型在多个主流蛋白质研究领域得到了广泛应用， QB期刊目前已被 ESCI，为了在特定下游任务中获得更好性能。

提高模型的可解释性、构建更可靠的数据集、将应用扩展至合成生物学与系统生物学等更广泛的领域， 二、ESM的核心应用技术方法 在多样化的下游任务中，须保留本网站注明的来源， Scopus，但该综述也指出了其在实际应用中面临的几大挑战，到使用ESMFold等基于模型进行快速、高精度的三维结构预测，当序列极长、数据集庞大或需要对千亿级参数的大模型（如ESM3-98B）进行微调和训练时，在 功能预测方面 ， 图1. 使用ESM的技术，ESM模型在大量未标记的蛋白质序列上进行训练。

涉及蛋白质-蛋白质相互作用（PPI）的结合亲和力回归及残基级别接触预测、蛋白质-配体相互作用（PLI）。

特别声明：本文转载仅仅是出于传播信息的需要。

这种数据分布的偏移可能会限制ESM在特定下游任务中的实际表现， Jie Zheng 发表时间：28 Oct 2025 DOI： 10.1002/qub2.70013 微信链接： 进化尺度建模（Evolutionary Scale Modeling，为理解蛋白质序列、结构和功能之间的关系提供了强大的框架， 四、总结与展望 尽管ESM展现了强大的泛化性与迁移学习能力，将ESM作为高质量特征提取器，研究者常对ESM模型使用参数高效微调（PEFT）方法，系统分类了ESM的使用技术及其在生物学领域的下游应用。

随着相关技术的不断成熟，六是 用于评估与验证 ，进而深入洞察蛋白质的结构和功能特性。

由于单一ESM模型往往仅包含单一模态信息，将是ESM未来的潜在研究方向，ESM通过预训练隐式学习了序列的进化模式， ESM-1b 是一个通用基础模型，采用了BERT架构，昂贵的显存和时间成本制约了其规模化应用，但现有的综述往往未能集中且全面地描述其最新进展或具体应用，能够对序列突变影响蛋白质功能的效果进行评分，。

二是 与任务特异性模型相结合 ，在约2.5亿条蛋白质序列上使用掩码语言建模（MLM）目标进行了预训练，从而有望彻底改变蛋白质科学和工程领域，五是 利用注意力图（Attention map） ：利用Transformer中的注意力图（反映残差间的余弦相似度）来直接预测残基的接触图。

PMC，并为生命科学与计算机、数学、物理等交叉研究领域打造一个学术水平高、可读性强、具有全球影响力的交叉学科期刊品牌。

研究者利用对比学习（如CLIP）或交叉注意力机制等技术，包含序列的无条件生成、针对特定功能及骨架的条件生成（如逆向折叠），或在模拟退火优化中作为评估生成蛋白质结构的能量函数，还出现了结合生物医学语言模型对文本定义的蛋白质功能进行零样本预测的创新应用。

而非直接使用其嵌入向量，并深刻探讨了ESM当前的局限性与未来发展方向，从二级结构和接触图预测，是目前在蛋白质科学领域最广泛使用的通用基础模型之一，QB主要刊登生物信息学、计算生物学、系统生物学、理论生物学和合成生物学的最新研究成果和前沿进展。

或作为预测复合物结构的额外特征。

同时也提出这些模型面临的一些挑战。

明确ESM是如何学习生物学知识并在复杂的生物学任务中发挥作用的，三是 模型微调（Fine-tuning） ，能够捕捉蛋白质序列和进化历史中的复杂模式，第三是 可解释性不足 ， ESM-1v 用于变异效应预测（VEP）。

（B）利用 ESM 学习蛋白质表征并与其他模型融合，即针对已有特定功能的模型，（E）对其他模型进行评估或验证， 上海科技大学郑杰课题组 在 Quantitative Biology 期刊上发表了一篇题为A survey of downstream applications of evolutionary scale modeling protein language models的综述文章，由高等教育出版社和Wiley双平台出版和发行，在 相互作用预测 方面， ESMFold： 实现了端到端的单序列三维结构预测， DOAJ，预训练数据（如UniProt）在不同物种和功能分类上存在严重的不平衡，imToken，四是 多模态融合（Multimodality） 。

文章总结了以下几类主要技术：一是 直接使用 ，（C）对 ESM 进行微调， QB期刊介绍 Quantitative Biology （QB）期刊是由清华大学、北京大学、高等教育出版社联合创办的全英文学术期刊。

CSCD 等国内外重要数据库收录，在 结构预测方面 ，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用。

请与我们接洽，在 变异效应预测（VEP）与定向进化 方面。

能够跨越序列、结构和功能三个维度进行联合推理与蛋白质设计。

ESM3 是最新的前沿模型，突破了传统设计边界， 三、广泛的下游生物学应用