微软给分子动力学按下加速键：BioEmu2能做什么，作者亲自回答

Microsoft Research AI for Science · 2026-10-20

BioEmu2让生成模型开始预测分子接下来怎样运动；一段结合演示和作者的公开问答，说明了它的用途与待验证之处。

预测蛋白质长什么样，和知道它接下来会怎样运动，之间还隔着很长的计算时间。对于结合、开合和构象转换，仅有一张静态结构往往不够。

微软AI for Science团队公开了BioEmu2：一个约5亿参数的全原子扩散模型，支持蛋白质、核酸、配体和多链复合物，并开放代码与权重。它引人关注的演示，是让一条多肽逐渐靠近受体、形成结构并进入结合位点。

作者还报告了一项醒目的结果：生成覆盖5毫秒的轨迹约需40分钟；同一GPU上的传统分子动力学（MD）成本被估计为超过10年。这组数字对应给定体系与设置。要理解加速带来了什么，先看画面，再看它如何产生这些画面。

先看这段演示：多肽如何结合受体

Figure 1. BioEmu2发布视频，约57秒。蓝色为MCL-1受体，金色为PUMA多肽，灰色为NMR参考结构；画面来源：Frank Noé团队。

看视频时，可以追踪金色的PUMA多肽：起初位于受体外侧，随后靠近并进入凹槽，逐步形成螺旋。后段叠加灰色NMR参考结构，展示生成构象与实验结构的对应关系。

PUMA与MCL-1结合演示的三个关键帧 — Figure 2. 从原视频摘取三个关键帧，依次观察接近、入槽与参考结构叠合。下方标的是视频播放位置；它与画面里的分子时间不同。

这段演示同时包含两种时间：播放器走过几十秒，画面底部的“Simulated time”则表示生成轨迹对应的分子时间。“Time step”是模型推进的间隔，视频中会随展示阶段变化。末端结构与NMR参考相似，并不能单独证明结合速率准确。这也正是后面评论区追问的重点。

一套模型，三种不同的输出

理解BioEmu2，先分清结构、构象集合和轨迹。三者都可以画成分子动画，科学含义却不同。

BioEmu2的结构预测、平衡采样与时间推进 — Figure 3. 三种输出的中文概念图：结构预测关注形状，平衡采样探索构象集合，连续时间推进产生轨迹。图中蛋白为示意，不是实际计算结果。

结构预测回答“它可能长什么样”，倾向得到清晰的折叠结构。平衡采样回答“它可能有哪些构象”，返回一组独立样本，排列顺序没有时间含义。时间推进则给定当前结构与时间间隔，采样未来状态；连续调用，才组成有先后关系的轨迹。

模型接收已有分子组成或序列，本身不负责设计新的氨基酸序列。把独立样本依次播放，也不能把平衡采样变成动力学模拟。

40分钟的加速，跨过了哪些计算

传统MD沿着时间轴，以大量微小时间步逐步积分。BioEmu2使用隐式转移算子（implicit transfer operator），学习在给定时间间隔后，体系可能到达什么状态。

传统MD与BioEmu2时间推进的概念对照 — Figure 4. 时间推进方式的概念对照。BioEmu2直接采样未来端点，省去逐步生成间隔内微观路径的过程；示意图不表示两种方法具有相同精度。

可以把它理解为：当前结构加上“往后走多远”的条件，生成下一站，再从下一站继续。加速来自这种跨步预测；间隔内每一个原子如何移动，并没有逐步计算并输出。

发布帖以PUMA–MCL-1体系、5微秒推进间隔、5毫秒总时长说明加速，并据同GPU的传统MD成本估算给出超过十万倍的数字。这属于作者的特定演示与估算，不能外推为所有MD任务的实测性能。

官方文档常规建议的推进间隔是1–1000纳秒，对应训练中较常见的范围；发布示例使用的5微秒更长。因此，能跨更大一步与跨步后仍保留正确的动力学统计，需要分别检验。

配体加入后，蛋白质的开合怎样改变

腺苷酸激酶的例子，把“生成一组构象”的用途讲得更具体。它催化ATP与AMP转化为两个ADP，口袋开合与底物结合密切相关。

作者展示：未结合配体时，模型可采到打开与闭合状态；加入ATP后，较大的口袋闭合；再加入AMP，两处口袋都趋于闭合。

腺苷酸激酶在不同配体条件下的构象与分布 — Figure 5. 三列依次为无配体、ATP、AMP与ATP条件；中排为结构预测，下排为平衡采样。配体条件改变时，构象分布随之变化。来源：作者发布图。

读这张图，先横向比较三列：它们改变的是配体条件。再纵向比较中、下两排：结构预测更集中，平衡采样覆盖更宽的区域。

横轴是相对开放参考结构4AKE的偏差，纵轴是相对闭合参考结构1AKE的偏差，单位均为埃。越靠近某一轴的低值，表示越接近对应参考。颜色展示作者按采样分布绘制的自由能形式，并非对所有新体系都已校准的实验自由能。

这类结果的价值，是把“加入配体后可能偏向哪类构象”变成可比较的输出，而不只展示一张闭合结构。

与MD接近，具体接近在哪里

作者报告，在给定平衡采样基准中，相对MD参考的自由能曲面误差约为1 kcal/mol，结构覆盖率约50%–100%。理解这些结果，需要同时看分布偏差与状态覆盖。

BioEmu2平衡采样与MD参考的对照评测 — Figure 6. 左侧比较单蛋白、蛋白二聚体及蛋白–配体体系的误差和覆盖；右侧将一个蛋白–多肽复合物的构象分布与MD对照。来源：作者发布图。

左侧第一列是自由能误差，越低越好；第二列是状态覆盖，越高越好。右侧则把MD与模型的二维分布放在一起，下方列出三个代表构象。关注点不只是能否生成这些形状，还包括是否找到多个区域，以及区域的分布是否相似。

但公开模型卡明确提醒：采样频率不能直接当作已校准的玻尔兹曼概率或定量自由能，结合亲和力与绝对自由能也不属于已验证用途。测试体系上复现MD分布特征，距离给任意新靶点报出可靠的结合常数，还有一步验证。

评论区的关键问题，作者怎样回答

以下为作者公开回复的中文转述，结合官方文档补充说明。相关原始回复分别讨论了结合速率、GPCR、游戏显卡和训练规模。

能预测结合和解离速率了吗？

Woong问：预测的结合、解离速率是否与实验比较过？

Noé回答，模型尚未用实验结合速率微调，还需要方法开发，当前的on/off rates很可能尚不可靠。他把现阶段定位为可继续微调的基础模型。

看到“结合发生了”，与知道“结合多快、停留多久”，对应不同的验证目标。演示可以启发机制假设，定量速率则需要专门校准。

GPCR等膜蛋白可以用吗？

作者说，训练包含膜蛋白结构，但没有相应的膜蛋白MD；他们尚未测试GPCR。他推测可能得到合理结构，对动力学表现则不确定。

因此，GPCR活化或构象切换仍需独立评测，不能从输入支持推导出动力学已经可靠。

4090能跑吗，速度取决于什么？

面对游戏显卡和双精度的询问，Noé表示应该不需要FP64，但尚未测试游戏显卡性能。README要求Linux和NVIDIA GPU；不需要双精度，并不等于4090已经实测可用。

官方耗时图进一步说明：速度还随体系大小和所需样本数变化。

单张B200上的特征计算与去噪耗时 — Figure 7. 单张B200上的官方耗时测试：蓝线为特征计算，绿线与橙线为1个、32个样本的200步去噪。横轴为token数，纵轴为对数耗时。

蓝线对应每个体系的主干特征计算，绿线和橙线对应后续采样。小体系的32样本批次并不需要单样本的32倍时间；当体系变大，两条去噪曲线都明显上升。批处理可以提高吞吐，但这张图测的是B200上的特定计算阶段，不能拿来承诺4090的运行时间。

训练究竟用了多少MD？

Gina El Nesr追问模拟规模，以及是否包含结合与未结合状态。作者以玩笑回应，没有在这条回复里给出可引用的总时长。模型卡列出多个MD数据集与系统数，也包含apo/free类别；系统数量不能换算成总模拟时长。

开源以后，值得先验证自己的体系

截至原稿核查日（2026年10月20日），BioEmu2处于公开预览阶段，仓库提供v0.1.0rc0预发布版本，默认权重为bioemu2-preview，代码与默认权重标注MIT许可，第三方组件另有说明。

准备尝试时，可以从已有实验或MD参照的小体系开始。先明确需要的是结构、构象集合还是时间相关行为，再固定模型与采样条件，检查是否复现已知差异。文档还提醒，不合格构象可能仍保留在输出中，需要另行检查和剔除。

从生成一个结构到预测一段运动，研究者获得了更多可检验的假设。接下来的关键，是把漂亮演示放回具体问题：构象是否合理、分布是否可信、速率是否经过验证。

来源与资源

内容依据微软官方仓库、模型卡、Frank Noé的发布内容及公开问答整理，资料核查日期为2026-10-20；本站发布于2026-10-21。视频与原始数据图来自作者团队；中文示意图为编辑整理。本文未独立运行模型或复现加速结果。

资源	内容	链接
代码与文档	官方实现、安装及使用说明	https://github.com/microsoft/bioemu2
模型权重	官方公开预览权重	https://huggingface.co/microsoft/bioemu2
模型卡	训练数据、评测与适用边界	https://github.com/microsoft/bioemu2/blob/main/MODEL_CARD.md

关键词

#分子动力学 #蛋白质结构 #生成模型 #AI4Science #BioAIDesign