ESM3 与 ESM C：当前蛋白语言模型两条主线

到 2026 年，ESM 生态最值得直接关注的是两条当前路线：

• ESM3：序列、结构和功能联合建模，核心用途是可控蛋白生成与设计；
• ESM C（ESM Cambrian）：面向蛋白序列表征和下游迁移学习。

二者不是“同一个模型大小不同”，而是目标不同的平行模型族。

1. 先按任务选 ESM3 还是 ESM C

目标	当前更合适的入口
生成新蛋白	ESM3
用序列/结构/功能条件控制生成	ESM3
提取蛋白 embedding	ESM C
少量标签的分类/回归	ESM C + 简单下游模型
做蛋白序列聚类、检索或表示分析	ESM C

最重要的不是模型名字，而是不要把表示学习结果和生成设计结果混成同一类证据。

2. ESM3：序列、结构、功能联合生成

ESM3 的正式论文发表于 Science 2025。模型同时处理三种主要模态：

• protein sequence；
• protein structure；
• protein function annotations。

这使它可以接受跨模态 prompt，例如给定部分结构约束、功能描述或序列上下文，再生成满足条件的候选蛋白。

论文最著名的实验之一是生成远离已知天然序列的荧光蛋白，并对部分候选进行了真实合成和功能测试。这个结果的重要性在于：模型生成并不是只停留在 in silico score，而是至少对一个代表性设计任务做了实验闭环。

但这不能外推成“ESM3 生成的任意蛋白都具有目标功能”。不同任务仍需要单独实验验证。

3. ESM3 更适合“设计”，不是通用实验替代品

ESM3 可以用于：

• sequence completion；
• structure-conditioned generation；
• function-conditioned generation；
• multimodal protein design；
• 对已有蛋白进行条件化改造。

生成后的候选仍需要经过：

ESM3 generation
      ↓
sequence / structure / function-specific filtering
      ↓
independent structure prediction or biophysical checks
      ↓
expression / stability / activity / binding experiments

模型生成分数、结构置信度和实验功能是不同证据层级。

4. ESM C：当前的表示学习路线

ESM C 是 EvolutionaryScale 发布的蛋白表示模型族，与 ESM3 平行发展。其主要目标不是生成复杂多模态蛋白，而是从蛋白序列中得到可迁移的 contextual representation。

公开模型包括多个规模，适合提取：

• residue-level embeddings；
• protein-level embeddings；
• 下游分类和回归特征。

对科研项目，最常见的使用方式是冻结模型提取 embedding，再用轻量分类器、回归器或任务特定 head 做训练。

这通常比直接对大模型做全参数微调更容易判断：性能提升究竟来自预训练表示，还是来自下游模型复杂度。

5. embedding 分开不等于机制被解释

ESM C embedding 做 PCA、UMAP 或聚类时，如果不同功能类群分开，只能说明表示中存在可分信息。

它不能单独证明：

• 模型找到了真正决定功能的残基；
• 某个聚类对应独立生物学机制；
• embedding 距离可以直接解释为进化距离；
• 下游预测具有因果意义。

需要位点机制时，应进一步结合 mutagenesis、结构、保守性和实验数据。

6. 下游任务最重要的是防止同源泄漏

蛋白数据中最常见的高估来源之一，是随机 train/test split。

高度相似的 homolog 如果同时进入训练集和测试集，模型可能只是利用近邻序列，而不是学习可泛化的功能规律。

更稳妥的评估包括：

• sequence-identity clustering 后再划分；
• family-aware split；
• remote-homology split；
• 时间切分；
• 对目标蛋白家族做 leave-family-out 测试。

这往往比“换更大的 embedding model”更影响结果可信度。

7. ESM3 与 ESM C 的证据状态要分开写

ESM3 的核心模型和代表性生成实验已有 Science 同行评议论文。

ESM C 是当前官方表示学习模型族，并已经被多个后续研究采用；但在引用时应区分官方模型发布/预印本与正式同行评议论文，不应为了显得“更新”而把两者写成同一种证据等级。

8. 植物和林木怎么用

对植物蛋白，当前最现实的两类入口是：

表示与功能预测

使用 ESM C 提取 embedding，再结合：

• 亚细胞定位；
• 酶类别；
• 抗病相关蛋白分类；
• TF / receptor / enzyme family 任务；
• 突变或自然变异表型。

评估时必须做家族级或同源感知划分。

蛋白生成与设计

使用 ESM3 时，先明确可实验的目标，例如：

• 特定结构约束；
• 指定功能域或活性位点；
• 稳定性优化；
• 结合或催化任务。

没有明确实验 readout 时，生成大量序列的科研价值有限。

9. 2026 年最小选择规则

需要 embedding / 表示学习
        ↓
      ESM C

需要 sequence + structure + function 条件生成
        ↓
      ESM3

如果项目最终要声称“功能改变”，无论使用哪一条路线，都需要任务特异的独立验证。

参考资料

• Hayes T, et al. (2025). Simulating 500 million years of evolution with a language model. Science 387:850–858.
• EvolutionaryScale: ESM Cambrian / ESM C