作者 | 論文團(tuán)隊(duì)

編輯 | ScienceAI

如同人類擁有語言，生命世界也有一套由氨基酸序列構(gòu)成的「分子語言」—— 蛋白質(zhì) 。近年來，人工智能領(lǐng)域的蛋白質(zhì)語言模型（PLMs）展現(xiàn)出解碼這套語言的強(qiáng)大能力，能夠精準(zhǔn)預(yù)測(cè)蛋白質(zhì)的結(jié)構(gòu)與功能。

然而，這些尖端模型的訓(xùn)練與使用，往往需要深厚的機(jī)器學(xué)習(xí)專業(yè)知識(shí)和編程能力，這在 AI 開發(fā)者與廣大生物學(xué)家之間形成了一道鴻溝。

為了打破這一壁壘，西湖大學(xué)原發(fā)杰團(tuán)隊(duì)首先提出了一種新穎的蛋白質(zhì)表征方法 —— 將蛋白質(zhì)一維序列與三維結(jié)構(gòu)相結(jié)合形成「結(jié)構(gòu)感知」詞匯表并據(jù)此訓(xùn)練出了蛋白質(zhì)語言大模型 Saprot。

在此基礎(chǔ)上，團(tuán)隊(duì)進(jìn)一步推出了 SaprotHub 開源平臺(tái) 。該平臺(tái)旨在將 Saprot 等一系列先進(jìn)蛋白質(zhì)語言模型的能力開放給生命科學(xué)領(lǐng)域研究者，它也是開放蛋白質(zhì)模型聯(lián)盟（Open Protein Modeling Consortium, OPMC）為推動(dòng)全球科研協(xié)作、共建開源社區(qū)而邁出的關(guān)鍵第一步。

這項(xiàng)研究成果已于近期發(fā)表在國際頂尖期刊《自然?生物技術(shù)》（Nature Biotechnology）上，論文題為《Democratizing Protein Language Model Training, Sharing and Collaboration》。

論文地址：https://www.nature.com/articles/s41587-025-02859-7

蛋白質(zhì)研究的挑戰(zhàn)：從模型「孤島」到協(xié)作「藍(lán)?！?/p>

蛋白質(zhì)是生命活動(dòng)的基石，而近年來，以 AlphaFold2 為代表的蛋白質(zhì)語言模型（PLMs）在預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)與功能方面取得了革命性突破。然而，這些強(qiáng)大的 AI 工具如同精密的專業(yè)設(shè)備，其訓(xùn)練和部署通常需要深厚的機(jī)器學(xué)習(xí)知識(shí)，這為廣大從事實(shí)驗(yàn)研究的生物學(xué)家設(shè)置了難以逾越的技術(shù)鴻溝。從復(fù)雜的編程環(huán)境配置，到海量數(shù)據(jù)的預(yù)處理，再到模型訓(xùn)練和評(píng)估，整個(gè)流程充滿了挑戰(zhàn)。這不僅限制了 AI 技術(shù)的普及，也減緩了其在醫(yī)藥、生物技術(shù)等領(lǐng)域的創(chuàng)新應(yīng)用進(jìn)程。

圖 1. Saprot 模型架構(gòu)

SaprotHub：三大支柱構(gòu)建的開源協(xié)作新范式

為了應(yīng)對(duì)這一挑戰(zhàn)，團(tuán)隊(duì)構(gòu)建了以 SaprotHub 為核心的一站式解決方案，它不僅是一個(gè)平臺(tái)，更是一個(gè)融合了前沿 AI 大模型技術(shù)、開源工具和全球社區(qū)的完整生態(tài)系統(tǒng)：

• 核心引擎 — Saprot 語言模型：Saprot 是本項(xiàng)工作的基石。它開創(chuàng)性地提出了一種「結(jié)構(gòu)感知」（Structure-Aware）詞匯表，將蛋白質(zhì)的一維氨基酸序列與其三維局部結(jié)構(gòu)信息進(jìn)行聯(lián)合編碼，從而構(gòu)建出一種全新的蛋白質(zhì)「語言」。同時(shí)，研究團(tuán)隊(duì)基于 AlphaFold2 預(yù)測(cè)的數(shù)千萬個(gè)蛋白質(zhì)結(jié)構(gòu)，采用了 64 塊 NVIDIA A100 GPU，經(jīng)過數(shù)月訓(xùn)練完成了 Saprot 模型的訓(xùn)練。其性能在數(shù)十項(xiàng)蛋白質(zhì)功能預(yù)測(cè)任務(wù)中得到了充分驗(yàn)證，并成功超越了如 ESM-2 等業(yè)界頂尖模型。自發(fā)布以來，Saprot 模型在學(xué)術(shù)界與工業(yè)界獲得了廣泛的關(guān)注和應(yīng)用。相關(guān)論文被引用已超過 200 次，模型累計(jì)下載量逾 70 萬次，并獲得了大量來自社區(qū)的真實(shí)生物實(shí)驗(yàn)驗(yàn)證，彰顯了其作為基礎(chǔ)模型的影響力。值得一提的是，Saprot 于 2024 年 5 月登頂 ProteinGym 蛋白質(zhì)突變效應(yīng)預(yù)測(cè)排行榜，并在此后近半年的時(shí)間里持續(xù)排名第一。
• 開源工具 — 「一鍵式」蛋白質(zhì)語言模型訓(xùn)練平臺(tái) ColabSaprot：為了將 Saprot 的能力釋放給生命科學(xué)領(lǐng)域的研究者，團(tuán)隊(duì)基于免費(fèi)的 Google Colab 云平臺(tái)，通過數(shù)月開發(fā)，上萬行的代碼編寫，實(shí)現(xiàn)了 ColabSaprot「一鍵式」開源訓(xùn)練平臺(tái)。它將原本需要編寫繁瑣代碼才能進(jìn)行的蛋白質(zhì)語言模型微調(diào)、功能預(yù)測(cè)等任務(wù)，簡(jiǎn)化為用戶在網(wǎng)頁上的幾次鼠標(biāo)點(diǎn)擊，讓不具備編程背景的生物學(xué)家也能輕松訓(xùn)練前沿蛋白質(zhì)語言模型，實(shí)現(xiàn)從想法到驗(yàn)證的快速迭代 。為了方便研究者快速上手，團(tuán)隊(duì)錄制了詳細(xì)的教程視頻，涵蓋了從模型訓(xùn)練到使用等各個(gè)方面。

ColabSaprot鏈接：https://colab.research.google.com/github/westlake-repl/SaprotHub/blob/main/colab/SaprotHub_v2.ipynb

教程鏈接：

https://www.bilibili.com/video/BV1Y1i9YBEhv

https://www.youtube.com/watch?v=nmLtjlCI_7M

圖 2. ColabSaprot 在線平臺(tái)，具備細(xì)致的操作介紹以及簡(jiǎn)易的使用步驟

• 全球協(xié)作 — OPMC 成員共建的開放社區(qū)：SaprotHub 不僅僅是蛋白質(zhì)語言模型的共享中心，更是開放蛋白質(zhì)模型聯(lián)盟（OPMC）理念的先行者。該聯(lián)盟匯聚了來自西湖大學(xué)、麻省理工學(xué)院（MIT）、首爾大學(xué)、哈佛大學(xué)、慕尼黑工業(yè)大學(xué)、微軟等全球數(shù)十家頂尖科研機(jī)構(gòu)的研究力量 ，旨在共同推進(jìn)蛋白質(zhì)領(lǐng)域的蓬勃發(fā)展。為了實(shí)現(xiàn)開源共建的良性生態(tài)，團(tuán)隊(duì)采用低秩適應(yīng)矩陣（LoRA）的方式保存模型權(quán)重，并建立了 SaprotHub 模型與數(shù)據(jù)倉庫。通過將 ColabSaprot 開源平臺(tái)與 SaprotHub 進(jìn)行無縫耦合，OPMC 成員和全球研究者可以便捷地分享、下載和迭代模型。目前，SaprotHub 已經(jīng)存儲(chǔ)了數(shù)十種不同類型的蛋白質(zhì)訓(xùn)練數(shù)據(jù)集以及可供研究者直接預(yù)測(cè)的蛋白質(zhì)語言模型。為了方便研究者快速檢索，團(tuán)隊(duì)針對(duì)性地開發(fā)了相應(yīng)的搜索引擎，允許研究者根據(jù)關(guān)鍵詞直接檢索到相關(guān)的數(shù)據(jù)和模型。

SaprotHub 模型與數(shù)據(jù)倉庫：https://huggingface.co/SaProtHub

搜索引擎：https://huggingface.co/spaces/SaProtHub/SaprotHub-search

圖 3. SaprotHub 利用 LoRA 技術(shù)存儲(chǔ)模型權(quán)重，實(shí)現(xiàn)模型的便利共享

從虛擬到現(xiàn)實(shí)：計(jì)算機(jī)模擬性能驗(yàn)證與多項(xiàng)濕實(shí)驗(yàn)驗(yàn)證

SaprotHub 的價(jià)值不僅在于其便捷性，更在于其預(yù)測(cè)準(zhǔn)確性。在團(tuán)隊(duì)開展的用戶研究中，12 位沒有 AI 背景的生物學(xué)研究者使用該平臺(tái)，取得了與 AI 研究者相媲美的成果。

圖 4. 生物研究者利用平臺(tái)能夠訓(xùn)練出和 AI 研究者相媲美的成果

更進(jìn)一步，平臺(tái)預(yù)測(cè)的有效性在一系列生物濕實(shí)驗(yàn)中得到了驗(yàn)證：

• 工業(yè)酶改造：一家生物技術(shù)公司利用 ColabSaprot 對(duì)一種工業(yè)用木聚糖酶進(jìn)行改造，成功將酶的活性提升了 2.55 倍。
• 基因編輯工具優(yōu)化：研究人員利用該平臺(tái)對(duì) TDG 基因編輯工具進(jìn)行優(yōu)化，預(yù)測(cè)出的多個(gè)新版本在實(shí)驗(yàn)中展現(xiàn)出翻倍的編輯效率。
• 熒光蛋白設(shè)計(jì)：平臺(tái)還被用于設(shè)計(jì)更亮的綠色熒光蛋白（GFP），其中一個(gè)新設(shè)計(jì)的蛋白，其熒光亮度達(dá)到了原始版本的 8 倍以上。

這些成功案例證明，SaprotHub 能夠?qū)?AI 的預(yù)測(cè)能力轉(zhuǎn)化為現(xiàn)實(shí)世界中的生物學(xué)功能突破。

核心突破

1.全新蛋白質(zhì)語言模型：發(fā)布了具備技術(shù)創(chuàng)新（結(jié)構(gòu)感知詞匯表）的 Saprot 蛋白質(zhì)語言大模型。其在 14 項(xiàng)基準(zhǔn)測(cè)試中性能超越了 ESM-2 等現(xiàn)有經(jīng)典模型，已在該領(lǐng)域展現(xiàn)了其作為基礎(chǔ)模型的影響力。

2.開源協(xié)作范式：作為開放蛋白質(zhì)模型聯(lián)盟（OPMC）的第一步，匯聚了來自 MIT、哈佛、牛津、首爾大學(xué)等全球頂尖機(jī)構(gòu)的智慧，為蛋白質(zhì)領(lǐng)域建立了集模型訓(xùn)練、分享、合作、迭代于一體的開源社區(qū)平臺(tái)。

3.蛋白質(zhì)語言模型技術(shù)民主化：通過「一鍵式」的 ColabSaprot 工具，將先進(jìn)蛋白質(zhì)語言模型的復(fù)雜訓(xùn)練和使用流程民主化，賦能全球不具備編程背景的生物學(xué)家，使其從 AI 的「使用者」轉(zhuǎn)變?yōu)椤竸?chuàng)造者」和「貢獻(xiàn)者」。

4.真實(shí)場(chǎng)景驗(yàn)證：平臺(tái)的有效性在工業(yè)酶改造、基因編輯工具優(yōu)化等多個(gè)真實(shí)的濕實(shí)驗(yàn)場(chǎng)景中得到驗(yàn)證，展示了其通過計(jì)算機(jī)模擬輔助現(xiàn)實(shí)生物學(xué)突破的能力。

結(jié)語與展望

SaprotHub 的發(fā)布，不止是提供了一個(gè)工具。它以一個(gè)創(chuàng)新的自研蛋白質(zhì)語言模型（Saprot）為基礎(chǔ)，通過開源平臺(tái)（ColabSaprot）來催化一個(gè)全球性的科研協(xié)作網(wǎng)絡(luò)（OPMC）。這為 AI 輔助的生命科學(xué)研究提供了一種可持續(xù)發(fā)展的「開源、共建、共享」模式。目前，該生態(tài)已進(jìn)一步集成了 ESM-2、ProtT5 等更多業(yè)界主流模型 ，開啟了蛋白質(zhì)科學(xué)的「大航海時(shí)代」。

西湖大學(xué)原發(fā)杰實(shí)驗(yàn)室現(xiàn)有 2026 年博士研究生招生名額，有意向者可將個(gè)人簡(jiǎn)歷（含教育背景、科研經(jīng)歷、成果證明等）及相關(guān)材料投遞至指定郵箱，郵件主題請(qǐng)注明「2026 博士申請(qǐng) + 姓名」。

投遞郵箱：yuanfajie@westlake.edu.cn