摘要（Executive Summary）
本报告的核心结论：生命过程的信息载体------DNA、RNA、蛋白质、细胞状态------正在被统一重述为一组可被语言模型（Language Model）读取、理解与书写的"分子语言"。 2020---2026 年间，这一范式完成了从"读懂"（结构预测）到"写出"（生成设计）的跨越：AlphaFold2 解决了 50 年悬而未决的蛋白质折叠问题并获 2024 年诺贝尔化学奖【A】；AlphaFold 3 以扩散架构统一预测几乎所有生物分子复合物，相互作用预测精度较传统方法提升至少 50%【A】；Evo 2 以 9.3 万亿核苷酸训练、百万碱基上下文实现"用核苷酸语言读、写、思考"，BRCA1 致病突变预测准确率超 90%，并已产出首个 AI 设计且实验验证的噬菌体基因组【A】；ESM3 以 980 亿参数"模拟 5 亿年进化"生成全新荧光蛋白【B】；中国华大与之江实验室发布的百亿参数基因组模型 Genos 在临床致病突变解读上达 92%（联合模型 98.3%）并全面开源【B】。在应用侧，AI 发现药物 Rentosertib 的 IIa 期临床数据 2025 年发表于《自然·医学》，成为端到端 AI 药物发现的首个临床概念验证【A】。
同时必须清醒：规模尚不等于可靠。独立基准显示，部分细胞扰动预测模型尚不能稳定超越简单线性基线【A】，小型专用模型 GPN-Star 在多项变异效应任务上反超 200 倍参数量的 Evo 2【B】，蛋白设计挑战赛上千个设计中无一实现中和活性【B】。本报告以证据分级方式系统梳理分子语言的"词汇---语法---语义---语用"四层解析体系、六大应用场景的价值量级、中国产业生态与风险治理框架，并给出 L0---L4 成熟度模型与三阶段路线图。
关键数字：Evo 2 训练核苷酸 9.3 万亿 token（12.8 万基因组）【A】；AlphaFold 3 相互作用预测精度提升 ≥50%【A】；Rentosertib IIa 期 FVC 改善 +98.4 mL（安慰剂 -20.3 mL）【A】；Xaira Therapeutics 种子轮 10 亿美元【B】。
第一章 绪论：生命即语言------从中心法则到"分子语言"范式
1.1 为什么是"语言"：一个超越比喻的科学判断
把 DNA 比作"生命的文本"并不新鲜------自 1953 年双螺旋结构阐明、2003 年人类基因组计划完成以来，"生命天书"的隐喻已沿用七十余年。但 2020 年之后发生的变化是实质性的：语言模型技术第一次使这个隐喻从修辞变成了可计算的工程对象。自然语言处理（NLP）中"大规模自监督预训练＋下游任务微调"的配方，被证明同样适用于核苷酸序列、氨基酸序列、乃至单细胞表达谱：序列中的"词"（k-mer、氨基酸、基因）在"上下文"（调控区域、折叠环境、细胞状态）中呈现出统计可学的结构，而掌握这种结构的模型能够在未见过的序列上做出有生物学意义的预测。
这一同构关系的深层原因在于：进化本身就是一场历时 38 亿年的"预训练"。正如互联网文本沉淀了人类社会的知识痕迹，现存基因组与蛋白质序列沉淀了自然选择在分子层面留下的功能约束------保守位点、共进化残基、调控元件的间距规律，全部以统计模式的形式编码在序列之中【C·框架归纳】。Arc Institute 的 Brian Hie 在 Evo 2 发布时的表述精准概括了这一点："正如世界在互联网语言中留下了印记，进化也在生物序列中留下了印记。这些经数百万年锤炼的模式，包含着分子如何工作、如何相互作用的信号。"【B】
1.2 分子语言的四层解析体系
| 层级 | 语言类比 | 分子对象 | 核心 AI 任务 | 代表性模型 |
|---|---|---|---|---|
| 词汇层 | 字母与词 | 核苷酸 k-mer、氨基酸、密码子 | 序列表征学习、分词与嵌入 | DNABERT-2、ESM-2 |
| 语法层 | 句法结构 | 调控元件、蛋白二级/三级结构、RNA 折叠 | 结构预测、元件识别、结合位点预测 | AlphaFold 3、RiNALMo、Enformer |
| 语义层 | 意义与功能 | 变异致病性、蛋白功能、基因表达调控 | 变异效应预测、功能注释、表达预测 | Evo 2、Genos、Geneformer |
| 语用层 | 写作与对话 | 全新蛋白/基因组设计、细胞状态干预 | 生成式设计、扰动响应预测、虚拟实验 | ESM3、Evo 2（生成）、State |
2020 年之前，AI 在生命科学中的成就集中于词汇层与语法层（读懂）；2024---2026 年的范式跃迁发生在语用层------模型开始"写作"：设计自然界不存在的蛋白质、生成细菌尺度的基因组、预测并指定细胞在扰动下的状态迁移。这一跃迁标志着"生成式生物学"（Generative Biology）的正式登场【B】。
1.3 三条主线的汇合
本领域由三条原本独立的技术主线汇合而成：其一，结构生物学线 ------以 AlphaFold 系列为代表，从蛋白质单体结构预测（2020）扩展到全生物分子复合物联合预测（AlphaFold 3，2024）【A】；其二，序列语言模型线 ------以 ESM、Evo、Nucleotide Transformer 为代表，把自监督语言建模直接作用于原始序列，绕过多序列比对（MSA）先验【A】；其三，细胞状态建模线------以单细胞转录组基础模型（Geneformer、scGPT）和 AI 虚拟细胞（AIVC）为代表，把"细胞"本身作为语言单位进行建模【A】。2025---2026 年，三条线在"基础模型＋生成设计＋实验闭环"的框架下加速汇合，构成了本报告所称的"分子语言 AI 解析"完整图景。
本报告的立场是"有证据的乐观"：凡涉及能力边界的论断，均以同行评审论文或官方基准为准；凡涉及价值量级的论断，均以可核验的临床数据、融资与商业数据为准；对尚处早期、证据不足的方向（如虚拟细胞的因果预测能力），明确标注证据缺口，避免将演示性结果误读为产业现实。
第二章 技术底座：生物基础模型的架构与训练范式
2.1 自监督预训练：无标注数据即教材
分子语言 AI 的第一性原理是自监督学习 ：生物序列数据天然海量（全球蛋白质序列库已达数十亿条、单细胞表达数据以亿计），但带有精确功能标注的数据极度稀缺。语言模型通过"掩码---重建"（Masked Language Modeling, MLM）或"下一个 token 预测"（自回归）任务，从无标注序列中自动学习统计规律。ESM 系列的掩码氨基酸重建、Evo 系列的下一核苷酸预测、Geneformer 的基因排序重建，本质上是同一范式的三种实例化【A】。预训练完成后，模型以两种方式服务下游：表征提取 （将序列编码为嵌入向量，供小型分类/回归头使用）与零样本/少样本推理（直接以序列似然或生成结果作答，如 Evo 2 不经任务微调即预测变异致病性）【A】。
2.2 架构演进：从 Transformer 到长上下文与扩散
分子语言建模面临一个自然语言中不存在的工程难题：超长上下文。真核基因组的调控元件可距其调控基因百万碱基之遥，模型必须同时具备"显微镜"（单碱基分辨率）与"广角镜"（百万级上下文）【B】。标准 Transformer 注意力的平方复杂度在此不可承受，由此催生了三条架构路线：
| 路线 | 代表架构 | 解决问题 | 典型模型 |
|---|---|---|---|
| 稀疏/线性注意力 | Hyena 系（StripedHyena 2） | 百万碱基长序列、单核苷酸分辨率 | Evo 2（上下文 100 万核苷酸）【A】 |
| 混合专家（MoE） | 稀疏激活专家网络 | 百亿参数知识与低推理成本兼得、可部署性 | Genos（12 亿/100 亿参数双版本）【B】 |
| 扩散生成 | 原子坐标空间扩散（Pairformer＋Diffusion） | 任意化学成分的三维结构联合生成 | AlphaFold 3、Boltz 系列【A】 |
其中 Evo 2 的 StripedHyena 2 架构由 OpenAI 联合创始人 Greg Brockman 在学术休假期间参与攻关，使训练数据量较 Evo 1 提升 30 倍、单次推理核苷酸数提升 8 倍，训练动用逾 2,000 张 NVIDIA H100 GPU 历时数月【B】。ESM3 则在 980 亿参数规模上消耗 1.07×10²⁴ FLOPs，是当时生物基础模型中最大的训练算力投入【B】。这些数字表明：分子语言建模已经进入了与大语言模型同量级的"规模竞赛"阶段。
2.3 从"预测"到"生成"：扩散模型与推理时扩展
2024 年后，两类来自生成式 AI 的技术深刻改变了分子建模。其一是扩散模型 ：AlphaFold 3 用扩散模块直接预测原子坐标，取代 AlphaFold 2 的氨基酸框架结构模块，从而天然适配蛋白质、核酸、小分子、离子等任意化学实体，并消除了大部分立体化学约束损失【A】。其二是推理时扩展（inference-time scaling）：Evo 2 团队通过推理时搜索引导生成，实现了对表观基因组结构的可控生成，这是生物学中首次展示的推理时扩展结果【A】。两项技术的共同含义是：分子模型正从"给定输入、输出确定答案"的判别式工具，演变为"在给定约束下采样候选解空间"的生成式伙伴。
2.4 数据基座：观测数据与扰动数据的分野
模型能力的上限由数据决定。当前分子语言 AI 的数据基座可分为两类：观测性数据 （自然状态下的序列、结构、表达图谱，如 PDB 的 20 余万条结构、Tabula Sapiens 的 110 万细胞图谱、Arc scBaseCount 的 2 亿余单细胞）与扰动性数据（主动干预后的响应记录，如 Tahoe-100M 的 1 亿细胞药物扰动数据、Arc 挑战赛的 30 万 CRISPRi 单细胞）【B】。观测数据让模型学会"世界是什么样"，扰动数据才让模型逼近"干预会发生什么"的因果推断------而后者正是虚拟细胞、药物响应预测等语用层任务的关键瓶颈。Arc Institute 2025 年开放的虚拟细胞图谱（Atlas）总规模已超 3 亿细胞，并以 CC0 协议开放，被社区类比为"单细胞领域的 ImageNet"【B】。
2.5 评测基准体系：领域成熟的"隐形基础设施"
分子语言 AI 之所以能在六年间完成多次范式跃迁，一个常被低估的原因是公开、常设、被社区共同信任的评测基准。结构预测领域的 CASP 自 1994 年起每两年一届，其 GDT-TS 评分体系为 AlphaFold2 在 2020 年取得的 92.4 分（满分 100）提供了无可争议的判定标准，也为后续所有模型树立了"诚实对标"的惯例【B】。药物化学方向的 PoseBusters 基准（428 个 2021 年后发布的蛋白-配体结构，以口袋对齐 RMSD<2 Å 为成功标准）成为 AF3 与所有开源模型的共同试金石【A】。斯坦福 RAISE Health 维护的 FoldBench 则以共折叠成功率统一度量 AF3（64.90%）、SeedFold（63.10%）、RosettaFold-3（57.28%）、Boltz 系列与 Chai-1 等模型的相对位置【B】。
细胞建模方向的评测设计更进一步：Arc 虚拟细胞挑战赛没有沿用简单的均方误差，而是构建了三元指标体系------差异表达匹配度（DES） 考察模型能否命中关键响应基因集合；扰动区分度（PDS） 考察模型生成的表达分布能否区分不同扰动的身份；全局误差（MAE） 兜底整体精度。基线被刻意设为"细胞均值模型"，使仅拟合均值的模型无法得高分，从制度上倒逼模型"学分布而非学均值"【B】。基准设计的这一演进反映了一个深层认识：在分子语言领域，"评什么"与"怎么评"本身就是最核心的科学问题之一------评测体系决定了社区优化的方向，错误的指标会奖励错误的模型。中国的评测基础设施目前几乎空白，这既是短板，也是以较低成本建立国际话语权的战略机会【C·推断】。
图 1（见 HTML 版）：分子语言 AI 解析参考架构（四层模型）------数据层（观测/扰动语料＋实验闭环）→ 基础模型层（DNA/蛋白质/RNA/细胞四大模型族）→ 能力层（变异解读、结构预测、生成设计、扰动预测等）→ 场景层（药物、医疗、合成生物、农业、虚拟细胞、生物安全），治理底座横向贯穿。架构分层为框架归纳【C】，各层模型与数据资源均有来源支撑【A/B】。
第三章 基因组语言模型：读懂 DNA 的"语法书"
3.1 从"读出"到"读懂"：基因组模型的范式转移
基因组是分子语言中最"难读"的一种：人类基因组约 30 亿碱基，其中编码蛋白质的部分不足 2%，其余大量非编码区域承载着调控基因时空表达的"语法"。传统基因组学依赖比对、注释与统计关联（如 GWAS），本质上是在"字典不全"的情况下逐字破译。基因组语言模型（Genomic Language Model）的思路截然不同：让模型在海量基因组上自监督预训练，自己学出调控语法，再以零样本或轻量微调方式回答"这个变异是否致病""这段序列调控哪个基因"等问题。2024---2025 年，这一路线在 Evo 2 身上达到了规模与能力的双重里程碑【A】。
3.2 Evo 2：用核苷酸语言"读、写、思考"
2025 年 2 月 19 日，Arc Institute 联合 NVIDIA、斯坦福大学、加州大学伯克利分校与旧金山分校发布 Evo 2，论文于 2026 年正式发表于《自然》（Nature）【A】。其核心参数与能力包括：
| 维度 | 指标 | 证据 |
|---|---|---|
| 训练数据 | 超过 12.8 万个完整基因组及宏基因组数据、9.3 万亿核苷酸 token，覆盖生命三大域（细菌、古菌、真核） | 【A】 |
| 模型规模 | 7B 与 40B 参数两个版本；上下文窗口 100 万核苷酸、单核苷酸分辨率 | 【A】 |
| 架构 | StripedHyena 2，训练数据量较 Evo 1 提升 30 倍 | 【A】 |
| 变异解读 | BRCA1 基因突变良性/致病判别准确率超 90%，无需任务特异性微调 | 【A】 |
| 生成能力 | 可生成线粒体、原核乃至真核尺度的基因组序列；经推理时搜索实现表观基因组结构可控生成（生物学首次推理时扩展结果） | 【A】 |
| 可解释性 | 机制可解释性分析显示模型自主学习出外显子-内含子边界、转录因子结合位点、蛋白结构元件、原噬菌体区域 | 【A】 |
| 开放程度 | 模型权重、训练/推理代码、OpenGenome2 数据集完全开源；上线一年模型下载超 10 万次、API 调用数百万次 | 【B】 |
发布后一年内的社区应用进一步验证了 Evo 2 的平台价值：其一，阿尔茨海默病风险研究 中，Evo 2 对 APOE 位点变异的打分与各变异对疾病风险的贡献一致，实现了从人群遗传学变异目录到功能影响的直接推断【B】；其二，农场动物遗传 研究中，Evo 2 跨物种变异分类 AUROC 达 0.921（变异类型盲测），为复杂性状精细定位与育种决策提供了迁移学习路径【B】；其三，三维基因组 方向，Evo2HiC 将 Evo 2 蒸馏为紧凑编码器，以 500 倍于原模型的效率预测 Hi-C 接触矩阵并达到最优水平【B】；其四，团队基于 Evo 2 微调设计了 285 个噬菌体基因组，其中 16 个在实验中成功增殖并特异性抑制目标菌株------这是首个 AI 设计且经实验验证的"人造生命体"，为噬菌体疗法对抗耐药菌提供了概念验证【B】。
值得强调的是 Evo 2 的负责任发布实践：基础训练数据集主动排除了感染人类及复杂生物的病原体序列，并确保模型对病原体相关查询不返回有效答案，从源头降低双重用途风险【A】。
3.3 冷静的一面：规模不是万能的
基因组基础模型的能力边界同样清晰。斯坦福《AI 指数报告 2026》援引基准结果指出：参数量仅 2 亿的专用模型 GPN-Star（聚焦功能与调控基因组学）在多项变异效应预测任务上反超 400 亿参数的 Evo 2------"规模本身尚不充分，训练方法与数据筛选仍是性能的关键决定因素"【B】。这一发现对产业实践有直接含义：在具体临床或育种任务上，"通用大模型＋领域微调"与"小而精的专用模型"两条路线将长期并存，盲目追求参数规模的投入产出比未必最优【C·推断】。
3.4 人类专属基因组模型：Genos 与中国方案
与 Evo 2 的"全生命域通用"路线互补，2025 年 10 月 23 日，杭州华大生命科学研究院与之江实验室在第二十届国际基因组学大会（ICG-20）上发布全球首个百亿参数人类基因组通用基础模型 Genos ，论文发表于《GigaScience》【B】。Genos 的差异化设计有三：其一，数据层面 ，整合人类泛基因组参考联盟（HPRC）、HGSVC 等权威资源，首次汇聚全球 636 个"端粒到端粒"（T2T）级高质量人类基因组作为训练数据，从源头减少单一参考基因组带来的人群数据偏见【B】；其二，架构层面 ，采用混合专家（MoE）架构，在百亿参数知识总量下显著降低推理成本，支持百万碱基对超长上下文与单碱基分辨率【B】；其三，落地层面，模型可仅凭 DNA 序列"秒级"预测 RNA 表达谱，在临床致病突变解读任务中准确率达 92%，结合之江实验室 021 科学基础模型后提升至 98.3%【B】。Genos 提供 12 亿与 100 亿参数两个版本，模型权重、架构细节与完整训练流程已在 GitHub、Hugging Face、魔搭等平台全面开源【B】。
基因组语言模型赛道由此形成"通用生命域（Evo 2）---人类专属（Genos）---多物种均衡（Nucleotide Transformer）---专用轻量（GPN 系列）"的梯度格局，分别对应基础研究、临床解读、比较基因组学与嵌入式部署四类需求【C·框架归纳】。
3.5 AlphaGenome 与调控预测的长尾
DeepMind 于 2025 年发布 AlphaGenome，将"从序列预测调控输出"（表达、剪接、染色质状态）推进到多模态统一建模，被《AI 指数报告 2026》列为当年基因组基础模型的标志性进展之一【B】。此类模型的临床价值在于：人类基因组中绝大多数疾病关联变异位于非编码区，其致病机制必须通过调控语法推断；序列到调控（sequence-to-regulation）模型的成熟，意味着"意义不明的变异"（VUS）这一临床遗传学的老大难问题首次有了系统性的计算化解法【C·推断】。
第四章 蛋白质语言模型与结构预测：从折叠到设计
4.1 诺奖时刻：蛋白质问题的"解决"与重启
2024 年 10 月 9 日，瑞典皇家科学院将诺贝尔化学奖一半授予 David Baker（计算蛋白质设计），另一半授予 Demis Hassabis 与 John Jumper（蛋白质结构预测），官方评语为"他们破解了蛋白质奇妙结构的密码"【A】。AlphaFold2 自 2020 年突破以来，已预测几乎所有已知约 2 亿个蛋白质的结构，被 190 个国家逾 200 万研究者使用，论文引用超 2 万次【A】。这一事件的范式意义在于：蛋白质结构从"需要数年实验测定的稀缺资源"变成了"可以即时查询的基础设施"，结构生物学的瓶颈从"测定"转移到"理解与设计"【C·框架归纳】。
4.2 AlphaFold 3：一个模型统摄所有生命分子
2024 年 5 月 8 日发表于《自然》的 AlphaFold 3（AF3）将预测对象从蛋白质扩展到"几乎所有 PDB 中存在的分子类型"------蛋白质、核酸、小分子配体、离子与修饰残基的联合复合物【A】。其技术要点为：以 Pairformer 取代 Evoformer、大幅削减 MSA 处理；以扩散模块直接预测原子坐标，摆脱氨基酸特异性框架与侧链扭转角参数化；并通过交叉蒸馏抑制扩散模型的"幻觉"（在无结构区域虚构结构）【A】。性能上，AF3 在蛋白-配体相互作用上远超最先进对接工具（PoseBusters 基准，不使用任何结构输入仍显著优于 Vina 等经典方法，p=2.27×10⁻¹³），在蛋白-核酸相互作用上超越核酸专用预测器，抗体-抗原预测精度较 AlphaFold-Multimer v2.3 翻倍；总体而言，蛋白与其他分子类型的相互作用预测精度较现有方法提升至少 50%，部分重要类别提升一倍【A】。DeepMind 同时免费开放 AlphaFold Server，并于 2024 年 11 月向学术界开放模型代码与权重【A】。
AF3 的局限同样被官方明确记录：约 4.4% 的预测存在手性违规、偶发原子"碰撞"；扩散架构对动态构象变化建模有限；对浅 MSA 蛋白的精度仍显著下降【A】。这些局限构成了后续开源模型改进的着力点。
4.3 开源生态的爆发：Boltz、Chai-1 与"AF3 复现运动"
AF3 发布后的 18 个月内，一个活跃的开源复现与超越生态迅速形成：
| 模型 | 机构/时间 | 关键指标 | 开放度 | 证据 |
|---|---|---|---|---|
| Boltz-1 / 1x | MIT Jameel Clinic，2024-11 | CASP15 蛋白-配体 LDDT-PLI 65%（Chai-1 为 40%）；Boltz-1x 物理合理性检查通过率 97%（AF3 约 58%） | MIT 许可，代码/权重/数据全开 | 【B】 |
| Boltz-2 | MIT，2025-06 | 首个联合预测结构与结合亲和力的模型；FEP+ 基准 Pearson 相关 0.62，速度约为物理自由能计算的 1,000 倍；CASP16 亲和力赛道第一 | MIT 许可 | 【B】 |
| Chai-1 | Chai Discovery，2024-10 | PoseBusters 配体 RMSD 成功率 77%（AF3 为 76%），加入 apo 结构提示后升至 81% | 权重与推理代码开放，可商用 | 【B】 |
| Protenix | 字节跳动 AI4Science，2025 | PyTorch 全面复现 AF3，修正原文多处歧义 | 开源 | 【B】 |
| HelixFold-3 | 百度 PaddleHelix，2024 | 宣称与 AF3 精度相当；其预测结构用于 FEP 计算的精度媲美实验晶体结构 | 开源 | 【B】 |
斯坦福《AI 指数报告 2026》的 FoldBench 共折叠基准显示：AF3 仍以 64.90% 的准确率保持领先，其后依次为 SeedFold（63.10%）、RosettaFold-3（57.28%）、Boltz-1（55.04%）、Boltz-2（53.90%）、Chai-1（51.23%）等【B】。生态格局的含义是双重的：一方面，顶级结构预测能力已经"去垄断化"，任何实验室与药企都可在本地 GPU 上运行接近 AF3 水平的模型；另一方面，AF3 的先发与数据优势仍在，开源阵营的赶超集中在物理合理性、亲和力预测与部署自由度等差异化维度【C·框架归纳】。Boltz 团队与辉瑞的合作（辉瑞科学家作为早期用户）则标志着开源模型已进入一线药企工作流【B】。
4.4 ESM3：蛋白质语言的"生成时刻"
如果说 AlphaFold 解决的是"读结构"，EvolutionaryScale（由 Meta FAIR 蛋白质团队创立）的 ESM3 则把蛋白质语言模型推向"写蛋白"。ESM3 是一个 980 亿参数的多模态生成模型，将蛋白质的序列、结构、功能 统一表示为离散 token 轨道，支持任意轨道的部分提示与全轨道联合生成，训练消耗 1.07×10²⁴ FLOPs、覆盖 27.8 亿蛋白质与 7,710 亿 token【B】。其标志性演示是：通过思维链（chain-of-thought）式提示生成全新绿色荧光蛋白 esmGFP，其与最近天然荧光蛋白的序列一致性仅 58%------按自然突变率估算，这一距离相当于"模拟了超过 5 亿年的进化"【B】。ESM3 开放了 1.4B 参数的 ESM3-open 版本供非商业研究，并通过 NVIDIA BioNeMo、AWS 等渠道商用，EvolutionaryScale 于 2024 年 6 月完成 1.42 亿美元种子轮融资【B】。
4.5 蛋白设计的现实检验
生成能力不等于功能保证。2025 年 Adaptyv Bio 举办的蛋白设计挑战赛提供了难得的受控对照：针对尼帕病毒（Nipah virus）靶点设计结合蛋白，各方法提交的逾千个设计中仅 99 个经实验确认可结合靶点，且无一实现病毒中和活性 ；采用多工具组合与专家调优的专用方法 Mosaic 明显优于通用方法【B】。这一结果与 ESM3 的荧光蛋白演示共同勾勒出当前蛋白设计的真实边界："能结合"已可工程化实现，"有功能"（亲和力、特异性、催化活性、成药性）仍需多轮干湿闭环迭代【C·推断】。RFdiffusion、BindCraft、Germinal 等以结构预测为核心的设计工作流，与 BoltzGen 等直接生成结合物的新模型，正在把"设计---合成---验证---回流"的迭代周期从数月压缩到数周【B】。
4.6 计算蛋白设计的另一半诺奖：Baker 谱系与扩散设计模型
诺贝尔委员会把 2024 年化学奖的另一半授予 David Baker，表彰的是与"预测"互为镜像的"设计"路线：2003 年 Baker 团队以原子级精度设计出第一个全新球状蛋白 Top7，2008 年报告首个计算设计酶，此后其团队产出的设计蛋白已覆盖药物、疫苗、纳米材料与微型传感器，其中针对乳糜泻与癌症的多个设计分子已进入治疗开发通道【A】。支撑这一路线的底座是蛋白质数据库（PDB）------NSF 近五十年持续资助的 20 余万条结构既是 Rosetta 设计工具的知识库，也是后来 AlphaFold 的训练语料，这一事实常被引为基础研究公共品价值的最佳例证【A】。
2023 年后，Baker 谱系与扩散生成技术合流，形成当前蛋白设计的主干工具链：RFdiffusion 以结构扩散直接生成全新骨架，BindCraft 与 Germinal 在结构预测模型之上构建"生成---筛选---反向折叠验证"的自动化工作流，BoltzGen 等新一代模型则尝试端到端直接生成结合物【B】。与 ESM3 代表的"纯序列语言模型"路线相比，这条"结构条件生成"路线对物理合理性的控制更强，但也被 Adaptyv 挑战赛证明远未解决功能保证问题【B】。两条路线的竞争与合流，将是未来三年蛋白设计领域最值得跟踪的技术主线【C·推断】。
4.7 本章小结
蛋白质是分子语言解析最早成熟的分支：预测端（L2）已由 AF3 与开源阵营共同完成基础设施化，生成端（L3）的序列路线（ESM3）与结构路线（RFdiffusion 系）均已产出实验验证的里程碑，但"功能级设计"仍依赖干湿闭环迭代。对使用者而言，当下最务实的策略是"开源模型本地部署＋自有湿实验数据微调"，而非等待某个终极模型的出现【C·建议】。
图 2（见 HTML 版）：分子语言模型谱系时间线（2020---2026）------结构预测线（AlphaFold2→AF3）、蛋白质语言线（ESM-2→ESM3）、细胞/转录组线（scBERT→Geneformer/scGPT→虚拟细胞挑战赛）、基因组线（Evo 2/Genos），2024 年诺奖与 2025 年 Rentosertib IIa 期为应用里程碑。
第五章 RNA 语言模型：被重新发现的"调控方言"
5.1 RNA 为什么难，也为什么重要
RNA 处于中心法则的枢纽位置：它既是蛋白质的编码蓝本（mRNA），也承载丰富的转录后"调控语法"------5′/3′ 非翻译区（UTR）控制翻译效率与降解速率，非编码 RNA（ncRNA）参与染色质重塑、转录调控与细胞信号；RNA 还通过与反向互补区段的碱基配对折叠为二级与高级结构，形成结合表面与催化口袋【A】。mRNA 疫苗、siRNA/ASO 药物、RNA 靶向小分子的兴起，使 RNA 成为增长最快的新药模态之一。然而 RNA 语言模型的发展长期落后于蛋白质，原因有二：高分辨率 RNA 结构数据稀缺、无偏多样性序列比对难以获得【A】。
5.2 模型格局：从 RNA-FM 到 RiNALMo
| 模型 | 规模与数据 | 特点与代表性结果 | 证据 |
|---|---|---|---|
| RNA-FM | 1 亿参数；2,370 万非编码 RNA（RNAcentral） | 首批单序列 RNA 基础模型之一；支撑 RNA 3D 结构预测达到 Nat. Methods 2024 报道的精度水平 | 【A】 |
| Uni-RNA | 2,500 万---4 亿参数；10 亿条序列 | 系统扫参显示其架构与数据下 4 亿参数后出现性能平台期 | 【A】 |
| RiNALMo | 6.5 亿参数；3,600 万 ncRNA 序列（迄今最大 RNA 语言模型） | Nat. Commun. 2025：多任务 SOTA；尤其在 RNA 二级结构预测上实现跨未知家族泛化，突破此前深度学习方法的家族记忆瓶颈；嵌入空间呈清晰家族聚类，具可解释性 | 【A】 |
| SpliceBERT | 逾 200 万脊椎动物 pre-mRNA | 专注剪接调控，跨物种剪接位点预测优于人类基因组单训模型 | 【A】 |
| UTR-LM | 多物种内源 5′ UTR | 预测翻译效率与表达水平，服务 mRNA 药物序列优化 | 【A】 |
RiNALMo 的研发方 A*STAR（新加坡）将其定位明确指向产业："学会 RNA 语言只是第一步，关键是把这种理解用于预测功能、设计具有治疗潜力的 RNA 分子"，其价值场景包括加速 RNA 靶向/基于 RNA 的药物发现、改进疫苗与 RNA 疗法设计（更精确、更稳定的分子）、以及揭示疾病状态下 RNA 变化以支持诊断创新【B】。
5.3 趋势：多模态与"中心法则统一模型"
RNA 建模的最新动向是跨中心法则的联合预训练：多模态生物基础模型开始在 DNA、RNA、蛋白质三类信息上联合训练，以获得贯穿"转录---剪接---翻译"全链路的统一表征【A】。BigRNA 等模型已展示从基因组 DNA 直接预测组织特异性 RNA 表达与蛋白/miRNA 结合位点的能力【A】。这一方向的终点形态是：给定任意基因组区间，模型一次性输出"会转录多少、如何剪接、翻译多快、产物结构如何"的全链条预测------这正是 AlphaGenome 与 Evo 2 殊途同归指向的目标【C·推断】。