ESMFold 药物靶点管线实战：30 个靶点从预测到贝叶斯调参的全链路追踪

一句话结论

这篇教程演示了一条单 GPU 可跑的蛋白质结构预测微调管线：ESMFold 对 30 个真实药物靶点（TP53、KRAS、CFTR、SPIKE 等）做序列到三维结构的预测与微调，全链路用 W&B 追踪——3D 分子面板、pLDDT 置信度、RMSD/TM 对比、贝叶斯超参扫描、Artifacts 版本与模型注册表。选 ESMFold 而非 AlphaFold 的理由很工程化：免 MSA、单序列即可、部署快、单卡可微调，代价是新折叠精度不及 MSA 方法——适合迭代速度优先的成熟靶点组合。

为什么是 ESMFold：速度与精度的工程取舍

蛋白质形状决定功能：KRAS 卡在「开」的状态细胞就失控分裂，CFTR 错叠就堵住囊肿性肺纤维化患者的肺。传统解析手段（X 射线晶体、冷冻电镜、NMR）贵且慢，AlphaFold 证明了深度学习可以从序列预测三维结构，但「能预测」到「可用的药物发现管线」之间还差一整套工程。

演示刻意选 ESMFold：单序列、免 MSA、跑得快、单 GPU 就能微调。代价是新折叠上精度仍落后 MSA 方法。对一组研究充分、迭代速度比极限精度更重要的药物靶点，ESMFold 是对的工具；绝对精度是硬约束时它不是替代品。

数据：30 个靶点，显式溯源

仓库用一个固定清单定义 30 个蛋白质，覆盖肿瘤、罕见病、传染病、代谢四类。每条记录有 UniProt accession（序列的权威 ID）与一句角色说明（如「GTPase」「氯离子通道」），人读机读两用。清单不是每次隐式重建——manifest 文件明确列出蛋白质、元数据与训练/评估切分，任何机器任何周跑的都是同一套定义，结果可比。

序列从 UniProt 拉取，参照 PDB 与置信度来自 AlphaFold Database API，Cα 坐标与逐残基 pLDDT 存成 .npy 供训练评估用。训练/验证切分用固定随机种子加置换，再写进 manifest.json——同样的脚本任何人重跑得到同样的切分。

第一阶段：基线推理，先记录开箱即用表现

改权重之前先记录零样本推理产出什么：PDB 文件、pLDDT 曲线、与 AlphaFold 参照对齐后的 RMSD 与 TM 分数。每次 run 记录模式、模型标识、序列长度上限与基础设施元数据（GPU 型号、集群）——这些是团队为审计和排查「这是哪个任务」时标准化的细节。

每个靶点写出一个预测 PDB，并记录交互式 3D wandb.Molecule、pLDDT 图、以及与参照的可选对比图与距离矩阵。

pLDDT 逐残基置信度图里，深蓝是高置信（>90），浅蓝中等（70-90），黄是低（<70）。

几何校验用成对 Cα 距离矩阵：ESMFold 预测与 AlphaFold 参照并排，非对角线模式吻合说明两者在长程接触上一致，而不只是局部摆对了位置。整个靶点组合还聚合成 W&B 表格：基因、治疗领域、角色、长度、置信度摘要、RMSD/TM——回答的是「整个靶点簿表现如何」，不只是一个 PDB。

第二到四阶段：冻结、部分解冻、产量旋钮

训练策略分三档推进。第二阶段保守：名字带 esm 的参数全冻，折叠主干与结构头训练、语言模型栈固定。第三阶段用 —unfreeze-backbone 开关进入部分解冻：先全冻，再放开主干相关模块与 ESM 栈最后 N 层（本配置 33 层），用 —unfreeze-layers 精确控制。

第四阶段是产量与质量的算力权衡：ESMFold 可回收中间预测，回收次数多质量常更好但更贵。代码里就是 model.config.num_recycles = args.num_recycles，回收数与学习率都上命令行，每个实验的配置都进 W&B 留档。

训练目标在 Kabsch 对齐后对齐 Cα，外加一项 distogram 损失，让优化推向全局一致的几何而不只是局部摆放。

训练指标面板展示五次微调 run（冻结 vs 部分解冻策略）的逐标量曲线：学习率、fape、epoch、distogram——每个 checkpoint 背后的损失分量与调度一目了然。

贝叶斯扫描：搜索而非瞎猜

算力有限时，单独的驱动脚本定义了一个最小化 val/rmsd 的贝叶斯扫描，搜索空间覆盖学习率（对数均匀 1e-6 到 1e-3）、权重衰减、回收次数（1-4）、解冻深度（0/2/4/6 层）、裁剪长度（256/384/512），epochs 固定 6。

扫描总览的平行坐标图里每条线是一次试验、颜色代表 val/rmsd——深色线聚集穿过同一组超参格，就是下一轮扫描值得重做的组合。配套三视图：逐试验 val/rmsd 随时间、参数重要性与相关性、平行坐标，合起来回答哪些试验赢了、哪些超参驱动了胜利、胜点在搜索空间的哪里。

Artifacts 与模型注册表：从实验到可交付

验证指标改善时，训练脚本存 checkpoint 并记录带元数据（epoch、策略、验证均值）的 wandb.Artifact——实验变成可命名、可 diff、可晋升的版本化资产。注册表助手按验证 RMSD 排序完成的 run，把最优 artifact 链接进模型注册表集合，checkpoint 从文件路径变成有名字可交付的模型。

链入后别名分层叠上去：production 是要上线的版本，best 是排名第一的，staging 给候补。实现注意：公开仓库里 run_registry.py 按 tag 过滤 run，可能与训练脚本实际记录的 tag 不匹配——依赖自动晋升前，先把注册表脚本的过滤条件与训练任务实际记录的 tag 对齐，确保「最优 run」查询返回的确实是你要交付的那些。

结论

AlphaFold 重新定义了结构预测的可信度，但药物发现团队的下一层是系统：一致的数据、可比的指标、可视的证据、版本化的模型，以及从实验到「有名字、可交付」的产物的完整路径。这条管线对任何要做「多目标批量预测 + 微调 + 调参 + 交付」的 AI 团队都是可套用的骨架——把 ESMFold 换成你自己的基础模型，追踪结构原样保留。

原文信息

• 作者：Lorenzo Balderrama（Lorenzo-Team）
• 发布时间：2026 年 4 月 27 日 原文地址：