Structure Prediction (Protenix v2.0)

简介

Protenix是字节跳动公司AML AI4Science团队复现的pytorch版本的AlphaFold3模型。以下是ByteDance AML AI4Science团队的主要贡献概要：
- 模型性能：将Protenix与现有的模型进行了基准测试。Protenix在不同分子类型的结构预测中表现出强大的性能。作为一个完全开源的模型，它使研究人员能够生成新的预测并对模型进行微调，以满足特定的应用需求。
- 方法：在复现过程中，依据AF3的描述实现了Protenix，并优化了一些模糊步骤，纠正了排版错误，并根据模型行为进行了有针对性的调整。通过分享复现经验，希望支持社区在这些改进的基础上进一步推动该领域的发展。
- 可访问性：已将Protenix开源，提供了模型权重、推理代码和可训练代码供研究用途。

Protenix v2.0
是字节跳动AI for Science团队于2026年4月发布的开源结构基础模型重大升级版本，在蛋白质结构预测和生物分子设计领域实现了显著突破，重点解决抗体-抗原复合物预测难题，同时增强小分子化学合理性。与基线模型及早期Protenix-v1相比，Protenix-v2呈现出大幅改进的趋势。在DockQ > 0.23的阈值下，Protenix-v2在三个测试集上相比Protenix-v1实现了9至13个百分点的绝对成功率提升。值得注意的是，Protenix-v2仅使用5个种子（seeds）即可超越Protenix-v1使用1000个种子的性能表现，显示出明显的效率增益。

参数说明

Protein Sequence

蛋白序列文件，FASTA格式，支持多条序列。
注意：多蛋白复合物结构预测，其氨基酸序列输入格式如下：

>protein1
AASJ...
>protein2
AASJ...
>peptide
ASDF...

DNA Sequence

DNA序列文件，FASTA格式，支持多条序列。

RNA Sequence

RNA序列文件，FASTA格式，支持多条序列。

备注：当前支持计算的残基/碱基数量在1400个左右。

Ligand

文本文件包含小分子信息，TXT格式。支持SMILES或 CCD Code（化学组分词典编号）。如果使用SMILES格式，每行应包含一个小分子；如果使用CCD Code，每行可以包含一个或多个小分子，使用逗号分隔，并加上CCD前缀。示例如下：

CC(=O)OC1C[NH+]2CCC1CC2
CCD,ATP,HY3,P1L
CCD,MG

注意：不适用于配体蛋白或多肽的氨基酸序列格式输入。

Modification

包含翻译后修饰（PTM）信息的文本文件，TXT格式。每行放置一个PTM信息，每个PTM信息由三部分组成：

• 发生PTM序列的顺序编号
• PTM类型的CCD编号
• 发生PTM的残基位置编号
  三部分由逗号分隔，例如：1,HY3,1 表示第一条序列的第一个残基，发生了类型为HY3（CCD编号，为3-羟基脯氨酸，为脯氨酸的羟基化）的PTM
  备注：
• 序列的顺序编号，是依次按上述参数Protein、DNA、RNA中的序列顺序与数量，从1开始进行编号，例如：当有2条蛋白序列，1条DNA序列，1条RNA序列时，各序列对应的编号为：第一条蛋白序列编号为1，第二条蛋白序列编号为2，DNA序列编号为3，RNA序列编号为4
• CCD的介绍参考https://www.wwpdb.org/data/ccd 编号查询网址为https://www.ebi.ac.uk/pdbe-srv/pdbechem/
  包含多个PTM信息的文件内容示例如下：

1,HY3,1
1,P1L,5
2,HY3,3

Covalent Bond

共价键信息的文本文件，TXT格式。每行放置一个共价键信息，每个共价键信息包含两个原子信息，每个原子信息由三部分组成：

• 原子所在序列或小分子的顺序编号（编号规则在Modification中定义的序列编号规则基础上，在最后加入小分子的顺序即可）

示例一：
当有2条蛋白序列，1条DNA序列，1条RNA序列，2个小分子时。对应的编号为：
第一条蛋白序列编号为1，第二条蛋白序列编号为2，DNA序列编号为3，RNA序列编号为4，第一个小分子对应的编号为5，第二个小分子对应的编号为6

示例二：
当有3条蛋白序列，2个小分子时。对应的编号为：
第一条蛋白序列编号为1，第二条蛋白序列编号为2，第二条蛋白序列编号为3，第一个小分子对应的编号为4，第二个小分子对应的编号为5

• 原子所在残基的位置编号（如残基为小分子时，编号为1）
• 原子的标准名称：
  • 默认是CCD中定义的原子标准名称
  • 如果配体是SMILES，则是SMILES字符串中原子对应的从1开始位置序号。

三部分由逗号分隔，

• 当小分子为CCD时，如3,1,CA表示第三个实体（序列或小分子）中的第一个残基（或小分子）的CA原子
  一个共价键是由两个原子信息组成，原子间用分号分隔，如：1,1,CA;2,1,CA
  表示一个共价键，该共价键由两个原子组成，第一个原子为1,1,CA，第二个原子为2,1,CA
  包含多个共价键信息的文件内容示例如下：

1,1,CA;2,1,CA
1,1,CA;3,1,CHA

• 当小分子为SMILES时，如CC(=O)NCCNC(C)=O，如果该小分子的顺序编号（按上述方式确认）为3，其第一个C原子参与形成共价键，与编号为1的链/序列中第一个残基的CA原子，则共价键的定义为1,1,CA;3,1,C1其中C1表示小分子的第一个C原子，如果是第二个C原子，用C2表示。
  文件内容示例如下：

1,1,CA;3,1,C1

Ion

离子名称，可以包含一个或多个离子，需写在一行文本中，不同的离子使用英文逗号分隔，支持输入离子数量，使用英文冒号分隔。示例如下：

MG:2,ZN,CU:3

表示2个MG离子，1个ZN离子，3个CU离子

Contacts

包含残基间、或原子间、或残基与原子间的距离限制信息的文本文件，每行定义一个距离限制信息。

每个距离限制的定义由四部分组成，每部分之间通过英文分号分隔：

• 残基1或原子1的信息
  残基信息由两部分组成：残基所在序列的顺序编号（见Covalent Bond参数中定义），残基的位置编号（从1开始顺序编号），使用英文逗号分隔。如：1,24表示第一条序列的第24个残基。
  原子信息由三部分组成：原子所在序列或小分子的顺序编号，原子所在残基的位置编号（如残基为小分子时，编号为1），原子的标准名称（见Covalent Bond参数中定义）

• 残基2或原子2的信息（同上）

• 最大距离（单位为埃）

• 最小距离（单位为埃）

包含多个距离限制信息的文件内容示例如下：

1,169;2,1,C5;6;0
1,24,CA;2,1;6;0
1,169;2,1;6;3
1,169,CA;2,1,C5;6;3

表示：

• 第一条序列的位置编号169的残基，与第二条序列1号残基(也可以是小分子）的C5原子，距离限制在0-6埃之间
• 第一条序列的位置编号24的残基的CA原子，与第二条序列1号残基，距离限制在0-6埃之间
• 第一条序列的位置编号169的残基，与第二条序列1号残基，距离限制在3-6埃之间
• 第一条序列的位置编号24的残基的CA原子，与第二条序列1号残基(也可以是小分子）的C5原子，距离限制在3-6埃之间

Pocket

结合位点类型限制信息的文本文件，TXT格式，当前只支持单个pocket信息。pocket信息由三部分组成：

• 序列或小分子Binder的顺序编号（见Covalent Bond参数中定义）。
• 结合位点的残基信息，每个残基信息由其所在序列编号与残基位置编号组成，逗号分隔，如：1,25 表示第一条序列中的第25个残基；可以定义多个残基信息，由英文分号“;”进行分隔，如1,25;1,27;1,32;1,38表示第一条序列中的第25/27/32/38号残基形成结合位点
• Binder与结合位点之间的最大距离（单位为埃），如6
  上述三部分信息之间也用英文分号“;”进行分隔，例如：2;1,55;1,62;1,91;1,92;1,99;1,110;6表示第二个实体（序列或小分子）作为Binder，与第一条序列的第55/62/91/92/99/110号残基所形成的结合位点进行结合，且两者之间的最大距离为6埃。
  文件内容示例如下：

2;1,55;1,62;1,91;1,92;1,99;1,110;6

Inference Model

• protenix-v2 — 增强能力模型（推荐）
  定位：Protenix 最新旗舰模型，增强表示维度（如 c_z=256），参数量扩展至约 464M
  特点：相比 v1 系列有显著的训练和优化改进，在抗体-抗原复合物预测上表现最优
  适用场景：需要最高精度和更丰富表示能力的科学研究和药物设计任务
• protenix_base_constraint_v0.5.0 — 约束增强模型
  定位：支持引入额外实验约束的基础模型
  特点：包含 pocket_embedder：处理结合口袋信息；包含 contact_embedder：处理接触点信息
  适用场景：已有结构先验信息（如口袋位置、接触残基）的预测任务
• protenix_base_20250630_v1.0.0 — 更新数据版本
  定位：与 v1架构相同，但训练数据截止至 2025-06-30
  特点：包含更新的 PDB 数据训练，可能对新近发布的结构有更好的泛化能力
  适用场景：需要利用最新结构数据训练模型的场景
• protenix_base_default_v1.0.0 — 基础默认模型（v1）
  定位：v1 系列的标准基础模型，参数量 368.48 M
  特点：支持 RNA MSA 和 Template，但不支持 ESM 嵌入
  适用场景：常规高精度结构预测
• protenix_mini_esm_v0.5.0 — ESM 轻量模型
  定位：集成 ESM2-3B 蛋白质语言模型的轻量版本
  特点：参数量 135.22 M，推理速度更快，默认不使用 MSA（为效率考虑），依赖 ESM2 单序列嵌入，在 MSA 不可用或质量较差时表现更好
  适用场景：MSA 缺失场景下的快速预测、高通量筛选
• protenix_mini_default_v0.5.0 — 默认轻量模型
  定位：不依赖 ESM 的标准轻量模型
  特点：参数量 134.06 M，使用 MSA 特征但无 ESM 嵌入
  适用场景：计算资源有限但仍需合理精度的快速预测

Seed

随机数种子，用于控制预测过程中的随机性。 输入格式：逗号分隔的整数，例如：1,39,248,1970,20967
取值规则：至多取前 5 个整数作为随机种子
默认值：1,39,248,1970,20967

Format

输出结构的格式，支持PDB或CIF格式，默认为PDB格式。

Batch Mode

动态计算量

≤ 5 条序列：500 计算量 / 条
第 6–100 条序列：300 计算量 / 条
超过 100 条的部分：100 计算量 / 条

Protein Sequence

蛋白的序列文件，FASTA格式，支持多条序列。
每一条记录代表一个待预测的结构，每条记录的名称要唯一不能重复。一条记录中有多条链时，通过英文冒号（:）相连，文件内容示例如下：

>1
EVQLVESGGGVVQPGRSLRLS:NFMLTQPHSVSVL:ELFPQWHLPIKIAAIIAS
>2
YYCAKDRRDMGYFQHWGQGTLVTVSSQWYQQRPGSAPTTVIYEDNQRPSGTPPTFMIAVFLPIVVLIFKSILFL

表示有两个待预测的结构，第一条记录的名称为1，有三条蛋白链，用:进行分隔。第二条记录的名称为2，为单链。

DNA Sequence

DNA核酸的序列文件，FASTA格式，支持多条序列。
每一条序列记录代表一个待预测的结构，每条记录的名称要唯一不能重复（可与Protein参数中的记录名称一致，表示该记录的DNA序列与Protein序列归属于同一结构）。一条记录中有多条链时，通过英文冒号（:）相连，文件内容示例如下：

>dna
GACCTCT:CCTAGCT
>1
CCTAGCT

表示有两条记录，第一条的名称为dna，有两条DNA链，用:进行分隔，因为该名称不存在与Protein示例记录中，属于新结构。第二条的名称为1，有一条DNA链，因为该名称存在于Protein示例记录中，则表示同属一个结构（该结构同时包含Protein序列和该DNA序列）。

RNA Sequence

RNA核酸分子的序列文件，FASTA格式，支持多条序列。
每一条序列记录代表一个待预测的结构，每条记录的名称要唯一不能重复（可与DNA或Protein参数中的记录名称一致，表示该记录的RNA序列与上面的DNA序列或Protein序列归属于同一结构）。一条记录中有多条链时，通过英文冒号（:）相连，文件内容示例如下：

>1
AGCU
>rna
AGGCU:UGAUC

表示有两条记录，第一条的名称为1，为单链，因为该名称存在于DNA及Protein示例记录中，表示同属一个结构（该结构同时包含了Protein序列、DNA序列及该RNA序列）。第二条的名称为rna，有两条RNA链，用:进行分隔，因为该名称不存在于DNA或Protein示例记录中，属于新结构。

Ligand

文本文件包含小分子信息，TXT格式。支持SMILES或 CCD Code（化学组分词典编号）。如果使用SMILES格式，每行应包含一个小分子；如果使用CCD Code，每行可以包含一个或多个小分子，使用逗号分隔。
每行代表一个待预测的结构，每行可放置多个ligand，且以唯一不重复的名称开头（该名称可与上述RNA，DNA或Protein参数中的记录名称一致，表示该行的所有ligands，与上述的RNA或DNA或Protein序列归属于同一结构），名称与所有ligands都以英文冒号（:）分隔。文件内容示例如下：

1:CC(=O)OC1C[NH+]2CCC1CC2:CCD,ATP,HY3
lig:CC1CC(CN2NC[N+](=C3CCC(OC(F)(F)F)CC3)C2=O)CC(C)C1OC(C)(C)C(=O)[O-]

表示有两条记录，第一条的名称为1，有三个ligand（一个SMILES，两个CCD codes），因为该名称存在于上述的RNA或DNA或Protein示例记录中，表示同属一个结构。第二条的名称为lig，有一个ligand（为SMILES），因为该名称不存在上述的RNA或DNA或Protein示例记录中，属于新结构。
注意：
1.不适用于配体蛋白或多肽的氨基酸序列格式输入。
2.在预测每个结构的序列数量相同的情况下，可为所有待预测结构设置相同的小分子信息，设置方式为输入一行小分子信息（可多个），且不设置结构名称，如CC(=O)OC1C[NH+]2CCC1CC2:CCD,ATP，表示为所有结构都加入小分子CC(=O)OC1C[NH+]2CCC1CC2与ATP。

Modification

包含翻译后修饰（PTM）信息的文本文件，TXT格式。每个PTM的信息与Single模式中一致（参考Single模式中的定义）。
每行定义一个结构的所有PTM信息，且以唯一名称开头（该名称必须存在于前述的Protein或DNA或RNA记录中），都以英文冒号（:）分隔。文件内容示例如下：

1:1,HY3,1:1,P1L,5:2,HY3,3
2:1,HY3,1:2,HY3,3

表示前述名称为1的结构中（Protein或DNA或RNA），有三个PTM。名称为2的结构中，有两个PTM。
注意：在预测每个结构的序列数量相同的情况下，可为所有待预测结构设置相同的PTM信息，设置方式为输入一行PTM信息，且不设置结构名称，如：1,HY3,1:1,P1L,5:2,HY3,3表示这些PTM信息将应用到所有结构。

Ion

离子名称，可以包含一个或多个离子，需写在一行文本中，不同的离子使用英文逗号分隔，支持输入离子数量，使用英文冒号分隔。每行定义一个结构的所有离子信息，且以唯一名称开头，都以英文冒号（:）分隔。文件内容示例如下：

1:MG:2,ZN,CU:3

表示前述名称为1的结构中，有2个MG离子，1个ZN离子，3个CU离子
注意：在预测每个结构的序列数量相同的情况下，可为所有待预测结构设置相同的离子信息，设置方式为输入一行离子信息，且不设置结构名称，如：MG:2,ZN,CU:3，表示这些离子信息将应用到所有结构。

Covalent Bond

共价键信息的文本文件，TXT格式。每个共价键的信息与Single模式中一致（参考Single模式中的定义）。
Batch模式下，每行定义一个结构的所有共价键，且以唯一名称开头（该名称必须存在于前述的Protein或DNA或RNA记录中），都以英文冒号（:）分隔。文件内容示例如下：

1:1,1,CA;2,1,CA:1,1,CA;3,1,CHA
2:1,1,CA;3,1,CHA

表示前述名称为1的结构中（Protein或DNA或RNA），有两个共价键。名称为2的结构中，有一个共价键。
注意：在预测每个结构的序列数量相同的情况下，可为所有待预测结构设置相同的共价键信息，设置方式为输入一行共价键信息，且不设置结构名称，如：1,1,CA;3,1,CHA表示该共价键信息将应用到所有结构。

Contact

接触类型限制信息的文本文件，TXT格式。每个接触信息的定义与Single模式中一致（参考Single模式中的定义）。
Batch模式下，每行定义一个结构的所有接触信息，且以唯一名称开头（该名称必须存在于前述的Protein或DNA或RNA记录中），都以英文冒号（:）分隔。文件内容示例如下：

1:1,35;2,62;6.0
2:1,48;2,CA;6.0:1,35;2,62;6.0

表示前述名称为1的结构中（Protein或DNA或RNA），有一个接触限制。名称为2的结构中，有两个接触限制。
注意：在预测每个结构的序列数量相同的情况下，可为所有待预测结构设置相同的接触信息，设置方式为输入一行接触信息，且不设置结构名称，如：1,35;2,62;6.0表示该Contact信息将被应用到所有结构。

Pocket

结合位点类型限制信息的文本文件，TXT格式。每个结合位点信息的定义与Single模式中一致（参考Single模式中的定义）。
Batch模式下，每行定义一个结构的所有结合位点限制信息，且以唯一名称开头（该名称必须存在于前述的Protein或DNA或RNA记录中），都以英文冒号（:）分隔。文件内容示例如下：

1:2;1,55;1,62;1,91;1,92;1,99;1,110
2:1;2,15;2,17;2,18;2,56:1;3,76;3,78;3,96

表示前述名称为1的结构中（Protein或DNA或RNA），有一个结合位点限制。名称为2的结构中，有两个结合位点限制。
注意：在预测每个结构的序列数量相同的情况下，可为所有待预测结构设置相同的限制信息，设置方式为输入一行限制信息，且不设置结构名称。如：2;1,55;1,62;1,91;1,92;1,99;1,110表示该pocket信息将被应用到所有结构。

Inference Model

同single模式

Seed

同single模式

Enhanced Mode

该模式下，会默认使用1000个随机种子，每个随机种子进行5个结构采样，共进行5000个结构的大批量采样，并从中选择评分靠前的多个预测结构，最终获得更高精度的预测结构。该模式特别适用于抗原-抗体复合物结构的高精度预测，有研究表明该模式下抗体-抗原复合物结构预测准确性提升60%。该模式的输入参数与Single Mode一致，一次运行时间约10~20小时。
备注:
序列总长度不可超过1300。

结果说明

输出结果文件为排名前5的复合物结构rank_1-5.pdb、pred_scores_protenix.csv和protenix_results.tar文件，csv中包含信息如下：

• pDockQ2阈值（继承自 DockQ）：

tar文件包含排名前5的复合物结构和pred_scores_protenix.csv打包文件。

参考文献

• Protenix - Advancing Structure Prediction Through a Comprehensive AlphaFold3 Reproduction.ByteDance AML AI4Science Team, Xinshi Chen, Yuxuan Zhang, Chan Lu, Wenzhi Ma, Jiaqi Guan, Chengyue Gong, Jincai Yang, Hanyu Zhang, Ke Zhang, Shenghao Wu, Kuangqi Zhou, Yanping Yang, Zhenyu Liu, Lan Wang, Bo Shi, Shaochen Shi, Wenzhi Xiao.bioRxiv 2025.01.08.631967; DOI:10.1101/2025.01.08.631967