🤖 machine learning

Emyx: Fast and efficient all-atom protein generation

Emyx 是一个高效的 140M 参数条件流匹配模型，它通过利用轻量级条件表示和一种用于优化采样的创新重参数化方法，在酶设计基准测试中超越了 RFdiffusion 和 ProteinComplexa 等最先进的全原子蛋白质生成器，同时所需的训练计算量减少了四倍。

原作者： Nicholas J. Williams, Ward Haddadin, Matteo P. Ferla, Constantin Schneider, Nicholas B. Woodall, Ruby Sedgwick, Christian D. Madsen, Andrew L. Hopkins, Edward O. Pyzer-Knapp

发布于 2026-06-19

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Nicholas J. Williams, Ward Haddadin, Matteo P. Ferla, Constantin Schneider, Nicholas B. Woodall, Ruby Sedgwick, Christian D. Madsen, Andrew L. Hopkins, Edward O. Pyzer-Knapp

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一名试图建造定制房屋的建筑师。但有一个限制条件：你不能从零开始设计整个建筑。你会被分配到一个特定的、不可更改的房间（我们称之为“催化室”），一个非常精密的机械装置必须放置在那里。你的任务是围绕这个房间构建其余的部分（即“支架”），使整个结构既稳定、外观独特，又不会坍塌。

这正是科学家们设计新酶（大自然中的微型机器）时所做的事情。他们需要生成一种蛋白质结构，以固定住一个特定的化学“房间”。

这篇论文介绍了一种名为 Emyx 的新计算机程序，旨在比以往的工具更快、更便宜、更好地解决这个建筑难题。以下是它的工作原理，通过简单的概念进行拆解：

1. 问题所在：“沉重”的建筑师

以往的蛋白质设计计算机模型就像是试图用一台巨大的、沉重的起重机来建造房子，而这台起重机最初是为了预测现有的房子长什么样而制造的。

问题： 这些旧模型非常庞大，运行成本高昂（就像雇佣一支豪华施工队一样），而且它们生成的房子虽然外观看起来还可以，但内部却往往有奇怪且破碎的墙壁。此外，它们彼此之间非常相似，缺乏创造力。
论文的洞察： 作者意识到，要建造一栋新房子，你不需要使用那些用来分析旧房子的沉重机械。你只需要一个轻量级、敏捷的工具，专注于特定的约束条件（即“催化室”），而不是试图记住世上所有可能的房子。

2. 解决方案：Emyx（“轻量级”建筑师）

Emyx 是一个更小、更智能的新模型。

“Rep14”技巧： Emyx 不再试图以一种混乱的方式追踪每一个单独的砖块（原子），而是将它们分组为“标记”（即残基）。它将每个组视为一个包含 14 个插槽的小型固定尺寸盒子。如果一个盒子没有 14 块真实的砖，它就会用“幽灵砖”填充空位作为占位符。这使得数学计算保持简洁且快速。
稀疏连接： 想象一座城市中每栋建筑都通过道路与其他建筑相连，那会造成交通拥堵（数据量过大）。Emyx 只在真正需要通信的建筑（邻居或特定的化学键）之间建立道路。这节省了大量的能量和内存。
“Transformer”引擎： Emyx 的核心是一个标准的、高效的引擎（Transformer），它非常擅长理解模式，但它剥离了其他模型携带的所有额外、沉重的配件。

3. 秘诀：EDM 升级

论文提到了一个被称为 EDM 参数化 的技术技巧。

类比： 想象你正在试图走出迷雾笼罩的迷宫。
- 旧方法 (SDE)： 你采取随机的小步走，希望不要撞到墙。这种方法安全但缓慢，有时会陷入困境。
- Emyx 的方法 (EDM)： 作者找到了一种翻译地图的方法，使他们可以使用一个“智能指南针”（一种最初为另一种不同类型的 AI 设计的方法）。这个指南针允许他们采取更大、更自信的步伐，并在偏离航线时立即纠正路径。
结果： 他们不需要重建整个模型来获得这个指南针；他们只需改变读取地图的方式。这使得最终的设计更有可能成功。

4. 结果：更快、更便宜、更好

作者使用一项严格的测试——AME 基准测试，将 Emyx 与另外两个顶尖模型（RFdiffusion3 和 Proteína-Complexa）进行了对比。

测试内容： 模型能否围绕特定的化学房间构建一个稳定的蛋白质？以及整个蛋白质是否能正确折叠？
得分：
- RFdiffusion3： 解决了约 6.7% 的谜题。
- Proteína-Complexa： 解决了约 8.8% 的谜题。
- Emyx： 解决了 13.4% 的谜题。
效率： Emyx 在实现这一目标时，使用的计算能力（训练成本）比排名第二的模型少了 4 倍。这就像是用四分之一的预算和一半的时间造出了一座更好的房子。
创造力： Emyx 构建的“房子”也更加独特。虽然其他模型倾向于构建现有设计的变体，但 Emyx 创建的结构看起来更像是全新的、从未见过的发明。

5. 为什么这很重要（根据论文所述）

论文声称，通过简化架构并使用这种新的“指南针”（EDM），他们证明了你不需要一个庞大、昂贵的 AI 来设计复杂的蛋白质。

严格的标准： 他们还引入了一种更严格的评分方式。他们意识到之前的测试过于宽松——只要“催化室”看起来正确，测试就会通过设计，即便其余部分的“房子”正在坍塌。Emyx 通过了这项严格的测试，证明了整个结构是稳固的。
可及性： 由于其运行成本更低且速度更快，这项技术有可能被更多研究人员使用，而不仅仅是那些拥有大型超级计算机的人。

总结： Emyx 是一个精简、高效的蛋白质设计机器。它抛弃了过去沉重、昂贵的工具，采用了更聪明的导航方式，并证明了一个更小、更简单的模型实际上可以比其庞大的竞争对手构建出更好、更独特且更稳定的蛋白质结构。

技术摘要：Emyx —— 快速且高效的全原子蛋白质生成

问题陈述

计算酶设计需要生成能够精确定位催化残基和配体的蛋白质支架。这项任务既要求几何精度，也要求结构多样性。目前的各种全原子生成模型（如 RFdiffusion3 和 Proteína-Complexa）继承了来自蛋白质结构预测的复杂架构（例如，密集的对表示和沉重的嵌入堆栈）。这些架构导致了高昂的训练成本、有限的样本多样性，并且通常需要昂贵的逆折叠步骤来生成高质量序列。此外，现有的评估指标（例如重原子自洽性 RMSD）可能会通过未能验证全局折叠恢复来夸大成功率，导致设计的蛋白质虽然满足局部基序（motif）约束，但无法形成稳定的、可折叠的蛋白质。

方法论

模型架构

Emyx 是一个拥有 1.4 亿参数的条件流匹配（conditional flow matching）模型，旨在进行全原子蛋白质生成。与依赖密集对表示和特定领域嵌入层的先驱模型不同，Emyx 将其容量集中在标准的 Transformer 块中。

表示法： 该模型使用统一的两级表示。在原子层面，残基和配体被映射到一个固定大小的“Rep14”矩阵（14 个原子槽位），其中未使用的位置由继承骨架坐标的“幽灵原子”（ghost atoms）填充。在 Token 层面，残基和 HETATM 构成单个 Token。
连通性： Emyx 没有使用密集的对表示，而是利用了一个具有固定边预算的稀疏连通图。边的构建基于序列邻居、化学键、配体 k-NN 以及基序连通性。
Transformer 设计： 架构采用“分块化–处理–反分块化”（patchify–process–unpatchify）流水线：
1. 原子编码器（Atom Encoder）： 轻量级 Transformer 块在 Rep14 表示内编码局部原子细节。
2. 下采样（Downcast）： 通过门控交叉注意力将原子表示池化为 Token 级嵌入。
3. Token 主干（Token Trunk）： 一个深层 Transformer 主干（18 层）通过带有学习到的对偏置（pair biases）的稀疏自注意力机制处理长程结构上下文。
4. 上采样（Upcast）： 第二个交叉注意力将 Token 上下文广播回原子。
5. 原子解码器（Atom Decoder）： 最终的 Transformer 块在输出速度头（velocity head）之前细化局部原子细节。
修改： 标准的 DiT（扩散 Transformer）块经过了修改，加入了用于条件的瓶颈投影（bottleneck projections）、用于限制残差更新的 Sigmoid 门控以及用于正则化的随机深度（drop-path）。

训练与目标

Emyx 使用针对笛卡尔坐标的条件流匹配进行训练。

目标： 模型学习一个随时间变化的速率场 $v_\theta(x_t, t, c, G)$ ，将样本从噪声分布传输到数据分布。训练损失结合了针对非基序原子的 $\ell_2$ 速度回归，以及一个辅助的可微局部距离差异测试（lDDT）损失，以强化结构质量。
条件化： 模型以稀疏几何约束（基序几何、配体位置）和全局特征（二级结构组成、回转半径）为条件。这些特征在训练期间会被随机掩码，以实现条件生成和无条件生成。
效率： 训练利用了噪声与数据之间的线性插值，与方差保持型扩散调度相比，这产生了更低方差的梯度和更快的收敛速度。该模型在 8 台 NVIDIA H200 GPU 上运行约 3.55 天（681.6 GPU 小时）完成了在实验 PDB 数据上的训练。

采样与重参数化

一个关键的方法论贡献是将流匹配插值器精确地重参数化为 EDM（阐明基于扩散的生成模型的设计空间）噪声水平框架。

这种映射允许流匹配模型在不重新训练或更改架构的情况下，利用 Karras 噪声调度和随机扰动（stochastic churn）机制。
该重参数化将流匹配的训练效率与最先进的扩散模型采样方法联系起来，显著提高了成功率，优于标准的 SDE Euler–Maruyama 积分。

核心贡献

高效的全原子生成器： Emyx 通过放弃昂贵的预测继承架构，以显著更小的参数量（1.4 亿）和训练成本（比 RFdiffusion3 低 4 倍）实现了最先进的性能。
严格的评估协议： 作者提出了一个“严格 sc-RMSD”协议，该协议要求同时满足全局折叠恢复（骨架 RMSD < 2.0 Å）和局部催化几何精度（基序尖端原子 RMSD < 1.5 Å）。他们证明了之前的指标（重原子 sc-RMSD）由于未能惩罚那些仅恢复了活性位点但未恢复全局折叠的设计，从而夸大了成功率约 2 倍。
EDM 重参数化： 本文引入了一种模型无关的方法，将流匹配速率模型转换为 EDM 框架，从而在无需架构重构的情况下采用更优的采样策略（Karras 调度、随机扰动）。
谱分析： 作者提供了谱分析，揭示了根本性的“生成器–预测器差距”。初始化具有丰富 MSA/模板信号的预测器表现出更高的有效秩和更低的过拟合；而从噪声坐标初始化的生成器则运行在较低的秩区间。Emyx 在生成器中表现出最低的过拟合比例，这归功于其架构瓶颈和随机深度。

结果

在 AME（原子级基序酶）基准测试（41 个催化活性位点）中进行评估：

成功率： 在严格的 sc-RMSD 协议下，Emyx 实现了 13.4% 的成功率（41 个目标中解决了 39 个），优于 Proteína-Complexa (8.8%) 和 RFdiffusion3 (6.7%)。
结构新颖性： Emyx 产生了最具结构新颖性的支架，其与最近 PDB 匹配项的中值 TM-score 为 0.475（越低越新颖），而 Proteína-Complexa 为 0.499，RFdiffusion3 为 0.512。
多样性： 在成功的设计中，Emyx 产生的独特结构簇数量最多（441 个）。
几何有效性： Emyx 在 82.2% 的设计中通过了几何有效性检查（键长/键角），显著优于 RFdiffusion3 (0.8%) 和 Proteína-Complexa (49.9%)。作者指出，RFdiffusion3 较差的几何评分可能是由于后处理伪影造成的，即输入基序坐标覆盖了生成的坐标，从而产生了不物理的键。
效率： Emyx 训练时间约为 682 GPU 小时（比 RFdiffusion3 快 4 倍），且在单台 A10G GPU 上的推理速度在所有链长上均快 2 倍以上。

意义与主张

本文声称，架构的简单性对于蛋白质生成器是有益的。与需要通过丰富的共进化信号（MSA、模板）来初始化复杂对表示的预测器不同，生成器是以稀疏几何约束为条件的。因此，从结构预测中继承的沉重架构是不必要的，且会对效率和多样性产生负面影响。

Emyx 证明了，通过将容量集中在标准 Transformer 块中，并结合高效的流匹配训练和 EDM 式采样，可以用显著更少的计算资源在酶设计任务中实现卓越的性能。这项工作还强调了严格评估协议（严格 sc-RMSD）的重要性，以区分局部准确但全局不稳定的设计与真正可行的酶支架。最后，提出的 EDM 重参数化为其他流匹配模型提供了一条在无需架构重构的情况下采用先进采样技术的路径。