7 月 10 日，微软研究院 AI for Science 团队在《Science》杂志发表了题为「Scalable emulation of protein equilibrium ensembles with generative deep learning」的研究成果。

论文https://www.science.org/doi/10.1126/science.adv9817代码
github.com/microsoft/bioemu模型
https://huggingface.co/microsoft/bioemu评估基准
github.com/microsoft/bioemu-benchmarksColabFold：https://colab.research.google.com/github/sokrypton/ColabFold/blob/main/BioEmu.ipynb
AI Foundry：https://ai.azure.com/catalog/models/BioEmu

该研究提出了一种名为 BioEmu 的生成式深度学习模型，能够以前所未有的效率和精度模拟蛋白质的构象变化，为理解蛋白质功能机制和加速药物发现打开了新路径。

从结构预测到功能模拟：蛋白质研究的下一个前沿

近年来，AlphaFold 等模型在蛋白质结构预测方面取得了突破性进展，但这些方法通常只能预测单一静态结构，难以捕捉蛋白质在功能过程中所经历的动态变化。蛋白质并非静止不动的分子，而是处于不断变化的构象系综（conformational ensemble）中，其功能往往依赖于这些结构之间的转换。

BioEmu 正是为了解决这一挑战而生。它通过结合 AlphaFold 数据库中的静态结构、超过 200 毫秒的分子动力学（MD）模拟数据，以及 50 万条蛋白稳定性实验数据，训练出一个能够在单张 GPU 上每小时生成上千个独立蛋白质结构的生成模型。

视频：BioEmu生成的蛋白质动态构象展示

生成式建模

BioEmu 承接自微软研究院的前期工作 DiG（Distributional Graphormer），基于扩散模型架构，结合 AlphaFold 的 evoformer 编码器和二阶积分采样技术，能够高效地从蛋白质构象分布中采样。其核心创新在于：

能够模拟蛋白质在功能过程中出现的关键结构变化，如隐性口袋、局部解折叠和结构域重排；

在自由能预测方面达到 1 kcal/mol 的误差水平，与毫秒级 MD 模拟和实验数据高度一致，相比分子动力学模拟实现了若干个数量级的加速；

对突变体的稳定性变化（ΔΔG）预测表现出色，平均绝对误差低于 1 kcal/mol，Spearman 相关系数超过 0.6。

开源发布

研究团队已在 GitHub 和 HuggingFace 上开源了模型参数和代码，还发布了超过 100 毫秒的 MD 模拟数据，涵盖数千个蛋白系统和数万个突变体，为后续研究提供了丰富资源。BioEmu 也部署在了 Azure AI Foundry 和 ColabFold 等平台，使得用户可以便捷地运行模型。

展望未来：从单体蛋白到多分子系统

BioEmu 的开源发布也标志着微软在推动开放科学方面迈出的重要一步。目前，BioEmu 的建模对象主要是单体蛋白质。研究团队正在探索将其扩展到蛋白质复合物、蛋白-配体相互作用等更复杂的生物体系，并结合实验数据进一步提升模型的泛化能力和可解释性。在蛋白质科学、药物设计和合成生物学等领域，BioEmu 有望成为连接结构与功能、理论与实验的桥梁。