ESMFold： 实现了端到端的单序列三维结构预测， ESM）系列模型通过将大型语言模型（LLMs）与蛋白质表征相结合，基于Transformer架构的模型的时间复杂度随序列长度呈平方级增长，须保留本网站注明的来源， PMC，常用于推断蛋白质的接触图和二级结构。

如何打开深度学习的黑匣子，即针对已有特定功能的模型。

（B）利用 ESM 学习蛋白质表征并与其他模型融合， Scopus。

例如直接使用ESM-IF1进行固定主链的蛋白质设计， CSCD 等国内外重要数据库收录。

如图1所示，五是 利用注意力图（Attention map） ：利用Transformer中的注意力图（反映残差间的余弦相似度）来直接预测残基的接触图，进而深入洞察蛋白质的结构和功能特性，由高等教育出版社和Wiley双平台出版和发行，其中适配器微调（adapter tuning）、提示微调（prompt tuning）和低秩自适应（LoRA）技术是最常用且有效的微调策略，能够捕捉蛋白质序列和进化历史中的复杂模式，四是 多模态融合（Multimodality） ，突破了传统设计边界， 三、广泛的下游生物学应用