想象一下，你要盖一栋楼。老匠人老周接到图纸后不急着动工，先跑到档案馆，翻出几十份历史上形状相似的建筑图纸，把所有承重柱、横梁的尺寸一一比对，才开始画新图纸——慢，但每一步都有据可依。而天才设计师小艾呢？他只要扫一眼地基草图，脑子里就“唰”地浮现出整栋楼的立体效果图，十分钟给你十套方案——快，快到让人怀疑是不是偷懒。今天故事的主角，正是预测蛋白质三维结构的两位“建筑师”：RoseTTAFold2 是老周，ESMFold 是小艾。它们输入的都是氨基酸序列，输出的都是原子的三维坐标，却在性能、速度、资源消耗上走出两条截然不同的路。我们将一起拆解它们的原理差异、精度与速度的真实账本，并给出“什么场景该请谁”的实战选型指南。

岗位关联

结构预测是 AI 制药与抗体工程的底层能力，掌握两种主流工具的取舍，能帮你在高通量筛选与高精度建模之间做出最优决策，显著提升研发效率与成功率。

目录
  1. 可视化演示
  2. 双雄登场：两种设计哲学
  3. 精度擂台：复合物与大蛋白的硬仗
  4. 速度之争：一台 GPU 上的时间账
  5. 原理探秘：直觉从何而来
  6. 场景策略：按需派将定乾坤
  7. 实践指南：从模型到工作流
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

分步展示RoseTTAFold2与ESMFold在预测精度、推理速度及速度-精度权衡上的差异，帮助按场景选择蛋白质结构预测工具。

本节配有交互动效（进入视口后自动加载，约 3KB）。

精度对比：RF2在大蛋白上优势明显 RF2的TM-score随蛋白长度增加保持稳定 ESMFold在大蛋白上精度显著下降 TM-score: RF2 > ESM (len↑) 蛋白越长RF2精度优势越明显

双雄登场：两种设计哲学

老匠人老周的信条是“没有调查就没有发言权”。每次接单，他都要先翻档案、查历史图纸，把可能用到的一切相似结构研究透彻才开始动笔。而天才设计师小艾的信条是“一眼定乾坤”，他靠的是海量看图练出的直觉与肌肉记忆。这两种截然不同的作风，恰好对应 RoseTTAFold2 与 ESMFold 的设计哲学：一个把“查档案”当成不可省略的前置步骤，另一个把“直接出图”当成核心竞争力。

RoseTTAFold2（下文简称 RF2）延续了 AlphaFold2 的架构思想，把“翻档案”这一步——也就是多序列比对（MSA）搜索——作为整个预测流程的起点。ESMFold 则基于 ESM 蛋白质语言模型，把“翻档案”这整套苦力活全部省掉，实现了从氨基酸序列到三维结构的端到端预测。这也是蛋白质结构预测进入深度学习时代后，两条最典型的路线。

换句话说，RF2 是一条两段式流水线：先到序列数据库里搜索同源序列，构建比对矩阵，再把这个矩阵连同原始序列一起送入深度网络；ESMFold 只有一段——序列直接进模型，模型内部上百层注意力已经“背”下了折叠规律。用一句话概括：RF2 的准，来自显式的证据；ESMFold 的快，来自隐式的记忆。

老周和小艾的第一轮交手其实没有胜负，只是选择的哲学不同。但正是这个起点差异，悄悄决定了后面所有性能与速度的走向——接下来两回合的擂台赛，将把差距暴露得淋漓尽致。

SRF2=FRF2(MSA(X),X),SESMFold=FESMFold(X)\displaystyle S_{\text{RF2}} = F_{\text{RF2}}(\text{MSA}(X), X), \qquad S_{\text{ESMFold}} = F_{\text{ESMFold}}(X)
这个式子浓缩了两种工具的本质差别：RF2 的输入是“序列 + 搜索到的比对结果”，ESMFold 的输入只有序列本身。
  1. 输入序列 X一条氨基酸字符串，比如一个由 200 个残基组成的抗原蛋白，是两位建筑师拿到的同一份“毛坯图纸”。
    X=氨基酸序列X = \text{氨基酸序列}
  2. MSA(X)RF2 先把序列 X 送去数据库搜索同源序列，得到多序列比对矩阵，这是老匠人“翻档案”的环节。
    MSA(X)=同源序列比对矩阵\text{MSA}(X) = \text{同源序列比对矩阵}
  3. F_RF2（RF2 网络）同时读取比对结果和原始序列的深度注意力网络，负责把共进化信号翻译成三维坐标。
    FRF2=三轨注意力网络F_{\text{RF2}} = \text{三轨注意力网络}
  4. F_ESMFold（ESM 模型）只需原始序列的语言模型，把预训练阶段学到的折叠规律直接映射为结构。
    FESMFold=蛋白质语言模型F_{\text{ESMFold}} = \text{蛋白质语言模型}
  5. 结构输出 S最终得到每个原子在空间中的坐标集合，也就是常见的 PDB 结构文件。
    S={(xi,yi,zi)}i=1NS = \{(x_i, y_i, z_i)\}_{i=1}^{N}

精度擂台：复合物与大蛋白的硬仗

楼盘大赛开始了。评委发下来两类最难的任务：一类是联排别墅——蛋白复合物，多个蛋白要严丝合缝地“抱”在一起；另一类是摩天大楼——单体大蛋白，上千根“梁柱”要跨越超长距离保持整体稳定。老周翻档案的功夫在此时发挥威力，小艾的直觉却偶尔会失手。

在单体蛋白上，两位其实打得难解难分。公开基准上 ESMFold 对单体蛋白的平均 TM-score 经常能冲上 0.85 以上，与 RF2 的差距常常不到 0.05。但对复合物，故事完全不同：复合物亚基之间的正确组装高度依赖跨链共进化信号，而这恰恰是语言模型隐式编码中最容易丢失的环节。在 Docking 基准上，RF2 的 DockQ 显著高于 ESMFold。

对大蛋白而言，ESMFold 的长程接触预测容易失真——当两个残基在序列上隔了几百个位置，却要在空间上构成接触，模型需要极强的全局推理能力；RF2 借助 MSA 中真实进化样本提供的“线索”，往往能维持更好的全局一致性。这就是为什么做复合物与大蛋白的精细建模，领域内几乎默认找老周。

第一回合终判：单体打个平手，复合物与大蛋白老周胜出。小艾输得不冤——他没有翻过档案，自然不懂那些藏在历史图纸里的共进化密码。

TM-score=1L∑i=1L11+(did0)2\displaystyle \text{TM-score} = \frac{1}{L} \sum_{i=1}^{L} \frac{1}{1 + \left(\frac{d_i}{d_0}\right)^2}
TM-score 是衡量两个蛋白结构相似度的常用指标，取值 0 到 1，越接近 1 表示预测结构越接近真实结构。它也是精度对决时的“记分牌”。
  1. 比对残基数 L参与结构比对的氨基酸残基总数，分母选它可以让不同长度的蛋白公平比较。
    L=比对残基数L = \text{比对残基数}
  2. 残基距离 d_i第 i 个残基在预测结构与真实参考结构之间的空间位置差。
    di=∥pipred−piref∥d_i = \|\mathbf{p}_i^{\text{pred}} - \mathbf{p}_i^{\text{ref}}\|
  3. 归一化尺度 d_0与蛋白长度相关的常数，蛋白越长允许的误差越大，避免小蛋白吃亏。
    d0=1.24⋅L−153−1.8d_0 = 1.24 \cdot \sqrt[3]{L - 15} - 1.8
  4. 每个残基的得分距离越近这一项越接近 1，距离拉远则快速衰减到接近 0。
    scorei=11+(di/d0)2\text{score}_i = \frac{1}{1 + \left(d_i / d_0\right)^2}

速度之争：一台 GPU 上的时间账

第二回合比的是速度和成本，这一轮几乎是碾压局。小艾交图纸的节奏快到评委眼花缭乱：一条 500 残基的蛋白，单张 GPU 上往往 10 秒内就能出结构。老周呢？光翻档案（MSA 搜索）就要花去几分钟，再进入推理又得几十秒——总耗时常常是小艾的十倍以上。

这个差距不是玄学，而是流程的算术决定的。RF2 的总时间是“搜索时间 + 推理时间”之和，而 ESMFold 的总时间几乎就等于推理时间本身。更要命的是，MSA 搜索时间会随序列长度和数据库规模快速增长，蛋白越大，老周的档案室越拖后腿。

资源账单同样悬殊。ESMFold 推理时显存占用相对友好，可以轻松批量预测一整批突变体；RF2 则对大序列的显存需求很高，批量跑往往需要更多并行卡或更精细的分块策略。如果任务是给一万条序列做突变扫描，用 ESMFold 也许几小时就能完成初筛，而 RF2 可能要跑上数天，成本完全不在一个量级。

速度账单一出，全场倒吸冷气：在“快”这个维度，老周和小艾之间隔着一条数量级的鸿沟。这也直接决定了它们在真实项目里各自该站什么岗。

TRF2=TMSA+Tinference,TESMFold≈Tinference\displaystyle T_{\text{RF2}} = T_{\text{MSA}} + T_{\text{inference}}, \qquad T_{\text{ESMFold}} \approx T_{\text{inference}}
这张“时间账”道破了速度差距的根源：RF2 必须先把搜索和推理两段时间串行加在一起，而 ESMFold 几乎只付推理这一段。
  1. MSA 搜索耗时 T_MSA数据库检索消耗的时间，是 RF2 独有的大头开销。
    TMSA∝数据库规模×序列长度T_{\text{MSA}} \propto \text{数据库规模} \times \text{序列长度}
  2. 推理耗时 T_inference神经网络前向传播消耗的时间，两种工具都有，但比例不同。
    Tinference∝模型参数量×序列长度T_{\text{inference}} \propto \text{模型参数量} \times \text{序列长度}
  3. RF2 总耗时 T_RF2搜索与推理串行相加，两段都逃不掉。
    TRF2=TMSA+TinferenceT_{\text{RF2}} = T_{\text{MSA}} + T_{\text{inference}}
  4. ESMFold 总耗时 T_ESMFold省去搜索，只保留推理这一项。
    TESMFold≈TinferenceT_{\text{ESMFold}} \approx T_{\text{inference}}

原理探秘：直觉从何而来

小艾的直觉到底从哪来？难道他偷偷跳过学习直接开挂？其实，小艾的训练方式极其“笨”——他在海量的、没有标注结构的蛋白质序列上反复玩“完形填空”：模型看着被遮挡的序列片段，猜下一个氨基酸是什么。为了把填空题做好，他被迫把序列里所有隐藏规律背下来，其中就包括共进化规律。

而老周的档案就是 MSA。MSA 里记录了一个事实：如果位置 i 的氨基酸从 A 变成 V，位置 j 也总是随之变化，说明这两个位置在进化中被“绑”在了一起——它们在三维空间里很可能物理接触。这种信号叫共进化信号，是结构预测最古老也最可靠的线索之一。

RF2 的注意力网络显式地消费这份信号；ESMFold 则把等价的信息压缩进语言模型的注意力权重，推理时“自动唤醒”。问题在于：隐式记忆对常见模式很准，但遇到稀有的折叠类型，唤醒的往往是模糊的概括，而不是精确的证据。这正是复合物和大蛋白场景下 ESMFold 精度落后于 RF2 的深层原因。

所以小艾的直觉不是魔法，而是一种统计压缩；老周的档案则是原始证据。两人跑在同一张地图上，只是一个靠导航记忆，一个靠实地勘测。

MI(Xi,Xj)=∑a,bfij(a,b)log⁡fij(a,b)fi(a)fj(b)\displaystyle \text{MI}(X_i, X_j) = \sum_{a, b} f_{ij}(a, b) \log \frac{f_{ij}(a, b)}{f_i(a) f_j(b)}
互信息（MI）量化了序列中两个位置“联动”的强度。MI 越大，说明这两个位置越可能在进化中被一起选中，也就越可能是空间上的邻居。
  1. 残基位置 X_i 与 X_j序列中第 i 个和第 j 个氨基酸位置，是我们要考察的一对“犯罪嫌疑人”。
    Xi,Xj=序列中的两个位置X_i, X_j = \text{序列中的两个位置}
  2. 边缘频率 f_i(a)位置 i 上出现氨基酸 a 的概率，描述单点偏好。
    fi(a)=位置 i 出现 a 的次数序列总数f_i(a) = \frac{\text{位置 } i \text{ 出现 } a \text{ 的次数}}{\text{序列总数}}
  3. 联合频率 f_ij(a,b)位置 i 是 a、位置 j 同时是 b 的出现频率。
    fij(a,b)=位置 (i,j) 同时出现 (a,b) 的次数序列总数f_{ij}(a, b) = \frac{\text{位置 } (i,j) \text{ 同时出现 } (a,b) \text{ 的次数}}{\text{序列总数}}
  4. 对数比实际共现频率与“互不相关”假设的偏差，大于 0 意味着两者存在共进化。
    log⁡fij(a,b)fi(a)fj(b)\log \frac{f_{ij}(a, b)}{f_i(a) f_j(b)}
  5. 求和遍历把 20 种氨基酸的所有组合加起来，得到两个位置之间联动的总强度。
    MI=∑a=120∑b=120fij(a,b)log⁡fij(a,b)fi(a)fj(b)\text{MI} = \sum_{a=1}^{20} \sum_{b=1}^{20} f_{ij}(a,b) \log \frac{f_{ij}(a,b)}{f_i(a) f_j(b)}

场景策略：按需派将定乾坤

装修公司接单，最忌“一套人马走天下”。独栋小屋派老周去，客户等到花儿都谢了；摩天大楼派小艾去，图纸返工赔个精光。AI 结构预测选型，同样是按任务派将的艺术。

经验法则很简单：高通量筛选与大规模初筛——比如突变扫描、全蛋白组结构预测、进化分析中的海量蛋白——优先 ESMFold，因为速度和成本压倒一切，精度上的微小让步可以用“先粗筛后精修”的工作流弥补。复合物建模、多聚体组装、抗体-抗原相互作用、以及通常上千残基的大蛋白精细预测——优先 RF2，因为这里的错误率会直接传导到下游实验与设计。

顶级团队常用的其实是混合工作流：先用 ESMFold 把几百个候选变体全部预测一遍，按 pLDDT 和与已知结构的 RMSD 排序，挑出 Top 20；这 20 个再交给 RF2 做复合物或精细构象的复核。这样既吃到了速度红利，又守住了精度底线。

选型决策的本质，就是把任务的精度权重 α 和速度权重 β 摆上桌面。α 大时请老周，β 大时请小艾，多数情况下，一先一后的组合才是最优解。

Score=α⋅AccAccmax⁡+β⋅VVmax⁡,α+β=1\displaystyle \text{Score} = \alpha \cdot \frac{\text{Acc}}{\text{Acc}_{\max}} + \beta \cdot \frac{V}{V_{\max}}, \qquad \alpha + \beta = 1
这是选型决策的“加权天平”：把精度和吞吐量各自归一化后加权求和，权重由任务需求决定——重精度时 α 调大，重速度时 β 调大。
  1. 精度 Acc所选工具在目标任务上的精度指标，单体看 TM-score，复合物看 DockQ。
    Acc=TM-score 或 DockQ\text{Acc} = \text{TM-score 或 DockQ}
  2. 吞吐量 V单位时间内能完成预测的蛋白数量，体现工具的处理能力。
    V=预测数量单位时间V = \frac{\text{预测数量}}{\text{单位时间}}
  3. 归一化分母用两种工具各自的最大值把不同量纲的指标拉到同一尺度。
    Accmax⁡,Vmax⁡=各指标的理论最优值\text{Acc}_{\max}, V_{\max} = \text{各指标的理论最优值}
  4. 权重 α 与 β任务对精度和速度的偏好系数，两者之和恒为 1。
    α+β=1\alpha + \beta = 1
  5. 选型判据分别计算 RF2 与 ESMFold 的 Score，取分数高者出战。
    工具∗=arg⁡max⁡toolScore(tool)\text{工具}^* = \arg\max_{tool} \text{Score}(tool)

实践指南：从模型到工作流

图纸再漂亮，施工队不会用也白搭。实战中，老周和小艾的工具箱已经被各路工程化项目收拾得相当顺手。想快速上手 RF2，最省心的入口是 ColabFold——它把 MMseqs2 加速的 MSA 搜索与 AlphaFold2/RoseTTAFold2 推理打包成一键流，用户只需要提交序列即可。

ESMFold 的官方权重托管在 Hugging Face 的 hub 上，几行代码就能加载并批量跑序列；由于不需要 MSA，它可以被写进非常轻量的流水线，甚至部署到实时交互式预测服务。但要记住：工具顺手不等于结果可靠，置信度评估才是结构预测的下半场。

每个残基的 pLDDT 是模型自评的局部置信度。把整条链的 pLDDT 平均，就能快速判断这条预测值不值得信任：平均值高于 85 的预测通常可以直接用于下游建模；70 到 85 之间需要结合实验复核；低于 70 的区域要高度警惕；低于 50 则建议换工具或换策略重跑。复合物还要额外检查界面残基的 DockQ，而不是只盯全局平均分。

老匠人也会画错草图，天才也会有失手的时候。真正让结构预测变得可靠的，不是某个工具本身，而是一套“预测—评估—复核”的工程闭环。会用工具是入门，会判断结果才算入行。

pLDDT‾=1L∑i=1LpLDDTi\displaystyle \overline{\text{pLDDT}} = \frac{1}{L} \sum_{i=1}^{L} \text{pLDDT}_i
平均 pLDDT 是把模型自评分数汇总成一条链的“体检总评分”，是判断结构预测可信度的第一道关卡。
  1. 残基置信度 pLDDT_i模型对第 i 个残基预测可靠性的自评打分，范围 0 到 100。
    pLDDTi∈[0,100]\text{pLDDT}_i \in [0, 100]
  2. 残基总数 L参与统计的残基个数，平均值要与分子分母对应。
    L=序列总残基数L = \text{序列总残基数}
  3. 求和取平均把每个残基的分数累加后除以总数，得到整条链的可信度。
    pLDDT‾=pLDDT1+pLDDT2+⋯+pLDDTLL\overline{\text{pLDDT}} = \frac{\text{pLDDT}_1 + \text{pLDDT}_2 + \cdots + \text{pLDDT}_L}{L}
  4. 决策阈值高于 85 直接可用，70 到 85 需实验复核，低于 70 高度警惕。
    pLDDT‾≥85:可用;pLDDT‾<70:谨慎\overline{\text{pLDDT}} \geq 85 : \text{可用};\quad \overline{\text{pLDDT}} < 70 : \text{谨慎}

AI 应用场景

抗体亲和力成熟中的高通量突变筛选

阶段：结构预测 / 候选筛选

解决的问题：传统流程对每个突变体都跑 RF2 或做实验结晶，成本高、周期长。ESMFold 数秒一条的吞吐量让几百个突变体可以在一个下午完成初筛，再用 RF2 聚焦复核高潜力候选，把实验验证的范围大幅缩小。

具体案例：某抗体工程团队对 CDR 环区设计了 400 个突变体，先用 ESMFold 批量预测并计算突变前后结构的 RMSD，锁定 32 个“低扰动”突变；随后用 RF2 复核它们与抗原的复合物界面，最终选出 6 个进入实验表达，成功获得 2 个高亲和力变体。

靶蛋白与环肽抑制剂复合物的构象准备

阶段：分子对接前的结构准备

解决的问题：对接软件需要高质量的受体结构，而对于没有实验结构的靶蛋白，必须先做结构预测。大靶蛋白（如多结构域激酶）用 RF2 得到更可靠的全局折叠，再用作对接受体；候选环肽分子则用 ESMFold 快速批量折叠。

具体案例：某药物发现项目需要预测一个约 800 残基的激酶结构域与其环肽抑制剂的结合构象。团队先用 RF2 折叠全长激酶作为受体，再对环肽库用 ESMFold 批量生成构象完成虚拟筛选，最终把后续实验验证的重点缩小到 10 个以内的候选集合。

宏基因组蛋白的功能结构普查

阶段：功能注释 / 结构聚类

解决的问题：宏基因组测序会产生海量未知蛋白，逐一跑带 MSA 的流程成本极高。ESMFold 无 MSA 的特性让它非常适合做“结构级功能注释”——先把所有蛋白快速折叠，再按折叠类型聚类推测功能。

具体案例：某环境微生物项目对 5000 个未知蛋白做了 ESMFold 批量折叠，按结构相似度聚类后发现一个此前未被注释的新水解酶家族，随后用 RF2 对代表成员精细建模，指导了后续的克隆表达与底物筛选。

Python 演示

python49 行
import randomimport timefrom statistics import mean  def simulate_esmfold(seq):    # 模拟 ESMFold: 端到端推理, 无 MSA 搜索    L = len(seq)    t = 0.03 + 0.003 * L    time.sleep(t)    random.seed(L)    plddt = [random.uniform(0.70, 0.95) for _ in range(L)]    return t, mean(plddt)  def simulate_rf2(seq):    # 模拟 RoseTTAFold2: 先做 MSA 搜索, 再做深度推理    L = len(seq)    t_msa = 0.06 + 0.005 * L   # MSA 搜索开销    t_inf = 0.04 + 0.004 * L   # 深度推理开销    t = t_msa + t_inf    time.sleep(t)    random.seed(L + 999)    plddt = [random.uniform(0.78, 0.97) for _ in range(L)]    return t, mean(plddt)  def choose_tool(batch_size, need_complex, big_protein):    if need_complex or big_protein:        return "RoseTTAFold2"    if batch_size >= 100:        return "ESMFold"    return "ESMFold 初筛 + RF2 精修"  def main():    alphabet = "ACDEFGHIKLMNPQRSTVWY"    seqs = [alphabet * (i // 20 + 1) for i in range(50, 201, 50)]    print("seq_len  esm_time  rf2_time  esm_plddt  rf2_plddt  suggestion")    for seq in seqs:        t_e, p_e = simulate_esmfold(seq)        t_r, p_r = simulate_rf2(seq)        sug = choose_tool(len(seqs), False, len(seq) > 150)        print("%7d  %8.2f  %8.2f  %9.3f  %9.3f  %s"              % (len(seq), t_e, t_r, p_e, p_r, sug))  if __name__ == "__main__":    main()
目的：用模拟耗时的方式复现正文第 3 节的时间账本，对比 ESMFold 与 RoseTTAFold2 在不同长度序列上的速度与平均 pLDDT，并按场景输出选型建议，帮助小白理解“为什么 ESMFold 快那么多”。
  1. def simulate_esmfold(seq):定义一个模拟 ESMFold 包装函数，耗时只与序列长度相关。
  2. t = 0.03 + 0.003 * L端到端推理的模拟耗时，没有 MSA 搜索项。
  3. t_msa = 0.06 + 0.005 * L模拟 RF2 的 MSA 搜索额外开销，这是两工具速度差距的主要来源。
  4. t = t_msa + t_infRF2 总耗时等于搜索加推理，对应公式 $T_{RF2} = T_{MSA} + T_{inference}$。
  5. random.seed(L)固定随机种子，保证不同长度序列的 pLDDT 结果可复现。
  6. mean(plddt)用平均值模拟整条链的平均 pLDDT 置信度指标。
  7. def choose_tool(...)把正文第 5 节的经验法则写成决策函数。
  8. if need_complex or big_protein:复合物或大蛋白场景优先返回 RoseTTAFold2。
  9. print(...)输出长度、耗时、置信度和建议的对照表，直观呈现速度差距。

常见误区

误区初学者常以为“端到端免 MSA = 粗糙 = 结果不可信”，于是直接否定 ESMFold 的所有输出，无论什么任务都坚持跑 RoseTTAFold2。

正解在单体蛋白上，ESMFold 与 RF2 的平均 TM-score 差距通常不到 0.05，很多场景完全可用。真正的显著差距集中在复合物组装、多聚体和大蛋白的长程接触上。选型应该看任务类型，而不是简单按“快 = 差”排序。

为何常见：人们习惯“一分钱一分货”的直觉，认为快必然牺牲质量，忽略了语言模型用海量数据换来的隐式知识也能逼近显式搜索的效果。

误区以为 MSA 搜索必须实时联网查询数据库，离线环境就没法使用 RoseTTAFold2。

正解MSA 搜索用的是本地部署的序列数据库（如 UniRef、BFD），ColabFold 也支持配置本地 MMseqs2 数据库。只要事先把数据库下载好，离线环境下的 RF2 完全可以正常运行。

为何常见：ColabFold 默认运行在云端 notebook 上，让用户误以为序列搜索必须在远程服务器上完成。

误区把复合物的两个亚基序列“拼”成一条长序列丢给 ESMFold，以为模型能自动组装出正确的复合物结构。

正解ESMFold 官方权重针对单体训练，不擅长跨链共进化信号的建模，拼序列很容易得到错误组装甚至不合理的交叉构象。复合物预测请走 RoseTTAFold2 或 AlphaFold2-Multimer 这类专门支持多聚体的流程。

为何常见：基于“序列越长信息越多”的直觉，忽略了链间相互作用需要额外的建模机制，而不是简单拼接所能覆盖的。

误区看到整条链平均 pLDDT 高于 85 就认定每个残基都可靠，直接拿去分子对接或突变分析。

正解平均分高不代表局部无误。界面残基、柔性环区可能得分很低，却恰恰是功能关键。正确做法是逐残基查看 pLDDT 曲线，对低置信区谨慎标注；复合物还要用 DockQ 等界面指标做复核。

为何常见：平均分直观好记，而逐残基检查需要更多耐心和工具，容易被追求效率的人省略。

面试题

Q1. 下列关于 ESMFold 的预测流程，描述正确的是？

单选题 · easy

  • A.需要先进行 MSA 搜索再推理
  • B.必须提供模板结构作为输入
  • C.端到端由序列直接生成结构← 正确答案
  • D.只能预测长度小于 100 的蛋白

答案：C。ESMFold 基于蛋白质语言模型，由序列直接端到端生成结构，跳过了 MSA 搜索。这正是它比 RoseTTAFold2 快一个数量级的根源。其余选项分别把 RF2 的流程、模板建模和无根据的长度限制安在了它头上。

Q2. RoseTTAFold2 在预测复合物时相对 ESMFold 的核心优势来自哪里？

单选题 · easy

  • A.预测速度远快于竞争对手
  • B.显式利用 MSA 共进化信号← 正确答案
  • C.不需要任何 GPU 加速支持
  • D.天然支持任意小分子配体

答案：B。RF2 会把 MSA 中的跨链共进化信号显式送入注意力网络，这对复合物亚基的正确组装至关重要。速度上 RF2 反而更慢，且任何深度学习结构预测都需要 GPU，也不存在通用的任意配体支持。

Q3. 用 ESMFold 预测一个天然无序蛋白并得到较高的 pLDDT，正确理解是什么？

单选题 · mid

  • A.该蛋白结构一定非常可靠
  • B.应改用 RF2 并放弃此结果
  • C.该蛋白质一定发生了错误折叠
  • D.高 pLDDT 不等同于有序折叠← 正确答案

答案：D。pLDDT 是模型自评置信度，不代表蛋白真实处于折叠状态。热力学上无序的蛋白也可能被模型给出高分，需结合实验证据或专门的 disorder 预测工具判断，而不是简单依赖单一指标。

Q4. 对一个有数千个变体的突变筛选用例，最适合初始阶段使用的工具是？

单选题 · mid

  • A.ESMFold 更快且成本低，适合初筛← 正确答案
  • B.RoseTTAFold2 精度高，逐个跑
  • C.两者效果完全一样无需选择
  • D.全部依赖实验不做任何预测

答案：A。高通量场景下速度和成本压倒一切，ESMFold 数秒一条的吞吐量使其成为初筛首选；RF2 更适合对初筛后的少数高潜力候选做精修。两者效果并不一样，“全部依赖实验”则放弃了 AI 带来的效率红利。

Q5. TM-score 指标主要用于衡量什么？

单选题 · easy

  • A.衡量两条序列的相似程度
  • B.衡量两种结构的三维相似度← 正确答案
  • C.表示模型推理的单次耗时
  • D.表示蛋白表达量的高低

答案：B。TM-score 通过比对残基坐标距离计算两种蛋白三维结构的相似度，取值 0 到 1，越接近 1 越相似。序列相似度由比对工具衡量，与模型速度、表达量均无关。

Q6. ESMFold 能免去 MSA 搜索的根本原因是什么？

单选题 · hard

  • A.它预先使用了更大结构模板库
  • B.把 MSA 搜索加速到了 GPU 上
  • C.将共进化信号隐式编码进注意力← 正确答案
  • D.用分子动力学代替了比对搜索

答案：C。ESMFold 在海量序列上预训练语言模型，通过“完形填空”任务把共进化信息隐式压缩进注意力权重，推理时直接唤醒。它并没有隐藏的模板库，也没有把搜索搬上 GPU 或用分子动力学替代比对。

Q7. 用 RoseTTAFold2 预测一个 1000 残基的大蛋白时，最可能遇到的实际问题是什么？

单选题 · hard

  • A.显存不足或推理时间过长← 正确答案
  • B.输入序列会被自动截断
  • C.输出的坐标格式必然错误
  • D.大蛋白结果全部不可信

答案：A。RF2 需要先做 MSA 搜索，再跑深度注意力网络，大蛋白意味着更长的比对查询和更高的显存占用，最常见的工程问题是资源瓶颈。输入序列不会被截断，格式错误也不是必然，结果可信度需依赖 pLDDT 判断。

Q8. 下列哪些场景更适合优先选择 RoseTTAFold2？

多选题 · mid

  • A.抗体-抗原复合物精细建模← 正确答案
  • B.大规模突变体的快速初筛
  • C.同源二聚体的组装预测← 正确答案
  • D.低延迟在线交互式预测

答案：AC。复合物和多聚体组装依赖跨链共进化信号，RF2 的显式 MSA 机制更有优势。大规模突变体初筛和低延迟在线预测是 ESMFold 的强项，因为速度快、无需搜索、显存友好。

Q9. 为确保结构预测结果可靠，下列做法正确的有哪些？

多选题 · mid

  • A.查看 pLDDT 并滤除低置信区段← 正确答案
  • B.复合物用 DockQ 评估界面← 正确答案
  • C.凭目测结构合理即可定论
  • D.与已知实验结构交叉验证← 正确答案

答案：ABD。pLDDT、DockQ 与实验结构对照都是客观评估手段。仅凭肉眼“看起来合理”很容易被高置信度的错觉误导，尤其界面残基和柔性环区需要量化指标把关。

Q10. 关于 MSA 与预测速度的关系，下列说法正确的有哪些？

多选题 · extreme

  • A.MSA 搜索时间随序列复杂度上升← 正确答案
  • B.ESMFold 省去 MSA 因此更快← 正确答案
  • C.MSA 对 ESMFold 精度影响最大
  • D.MMseqs2 可加速 MSA 搜索← 正确答案

答案：ABD。MSA 搜索涉及数据库比对，时间和内存随序列复杂度上升；ESMFold 完全不用 MSA，因此省掉了这段开销；MMseqs2 是常见加速方案。ESMFold 并不消费 MSA，所以“MSA 对其精度影响最大”说法不成立。