蛋白质不是一张静止的照片，而是一段不停变化的电影。AlphaFold 预测出的那个"最佳结构"只是电影中的一帧——蛋白质在体内翻折、摆动、切换构象，这些运动才是它发挥功能的关键。但直到现在，AI 处理蛋白质结构时，一直在用"单帧快照"的方式，把动态信息丢掉了。

5 月 14 日，arXiv 上发布的 Ensembits 论文试图改变这一点。它提出了第一个蛋白质构象集成 tokenizer——一个把蛋白质的多种构象状态离散化为可计算 token 的方法，相当于给蛋白质语言模型装上了一本"动态词汇表"。

蛋白质为什么要"动起来"？

AlphaFold 的成功让蛋白质结构预测进入了一个新纪元，但它预测的是静态结构——蛋白质在某个时刻的"快照"。现实中：

• 酶催化依赖活性位点的开合运动，关上门底物才进得来
• 药物结合往往发生在蛋白质的"隐藏口袋"——只有构象变化才能暴露出来的结合位点
• 信号传导中蛋白质在活性/非活性构象之间切换，运动本身就是信号

分子动力学（MD）模拟可以产生一组构象——称为"构象集成"（conformational ensemble）——来刻画这些运动。但问题来了：怎么把这些连续的、形态各异的构象"喂"给 AI 模型？

在自然语言处理中，tokenizer 把连续文本切成离散 token，模型才能理解和生成语言。蛋白质结构也有类似的 tokenizer（PST, Protein Structure Tokenizer），但现有的全都只能处理单个静态结构，构象集成一直缺少离散化的方法。

Ensembits 做了什么？

Ensembits 是第一个专为蛋白质构象集成设计的 tokenizer。它的输入不是一张结构图，而是一组构象——来自 MD 模拟或实验数据——输出是一串离散 token，每个 token 编码了局部区域在多个构象中的运动特征。

这件事在技术上面临三个核心挑战，Ensembits 对每个都给出了解决方案：

1. 跨构象的几何描述子。 一个蛋白质区域在不同构象中位置不同，怎么用统一的描述子捕捉？Ensembits 设计了一套跨构象的几何特征提取方法，把每个残基在所有构象中的几何信息编码到同一空间。

2. 变长集成的排列不变编码。 不同的蛋白质可能有不同数量的构象数据，且构象之间没有固定顺序。Ensembits 采用排列不变的编码策略，不管输入多少个构象、以什么顺序输入，输出都一致。

3. 动力学数据稀疏性。 MD 模拟数据远比静态结构数据少，这是实际应用的最大瓶颈。Ensembits 用了一个巧妙的 frame distillation objective——训练时让模型从单个静态结构也能推算出动态 token。这意味着即使你没有 MD 数据，只要有一个 AlphaFold 预测的结构，也能获得近似的动态信息。

模型主体用 Residual VQ-VAE 训练，在一个大规模分子动力学语料库上完成。

核心结果

论文展示了几组关键实验：

RMSF 预测（均方根涨落）： 这是衡量蛋白质各区域运动幅度的标准指标。Ensembits 超越了所有对比方法，包括专门为动力学设计的基线。

残基运动幅度 ANOVA 测试： 在 token 条件下的方差分析中，Ensembits 是最强的独立结构 tokenizer——比只能看静态结构的方法更能区分"哪些残基在动、哪些不动"。

静态任务不掉分： 在 EC 编号预测、GO 功能注释、结合位点/亲和力预测、零样本突变效应预测等传统静态基准上，Ensembits 匹配或超越了专门的静态 tokenizer——尽管它用了更少的预训练数据。

最实用的发现： distillation objective 让 Ensembits 能从单个预测结构（比如 AlphaFold 输出）推算出动态 token，不需要任何 MD 数据。这直接缓解了"动力学数据太少"的现实瓶颈。

对谁有用？

蛋白质语言模型研究者： Ensembits 提供了一个标准的"动态→离散"接口，可以直接嵌入现有的蛋白质语言模型（如 ESM、ProtTrans）的词表中，让模型从"只看静态"升级到"理解动态"。

药物设计人员： 构象动力学直接决定了药物能否结合以及结合的强度。Ensembits 把动态信息变成了可计算的 token，为基于结构的药物设计提供了新的特征维度。

计算结构生物学： 整个领域正从"预测一个结构"转向"生成一组构象"（ensemble generation）。Ensembits 正是这个范式转变需要的基础设施——没有离散化，语言模型就无法处理连续的构象空间。

需要冷静看待的

• 这是一篇预印本，尚未经过同行评审
• 动力学 token 的质量很大程度上取决于训练用 MD 数据的精度——如果 MD 本身不准，token 也可能偏
• "从静态结构推算动态 token"是蒸馏近似，不等同于拥有真实的构象集成数据，在运动剧烈的区域可能偏差较大
• 目前在更多蛋白质体系和真实应用场景（如药物筛选）中的效果还需要社区验证
• 论文聚焦于方法本身，下游应用（如药物设计流程集成）还处于早期

---

*来源：[arXiv:2605.13789](https://arxiv.org/abs/2605.13789)，论文作者 Kaiwen Shi 等，v2 提交于 2026 年 5 月 14 日*

参考来源

• https://arxiv.org/abs/2605.13789

说明：该页面由基础模板稳定生成，后续可继续局部润色样式或补充模块，再进入发布检查。