ESM蛋白质语言模型系列

模型总览

• 第一篇《Biological structure and function emerge from scaling unsupervised learning to 250 million protein sequences 》ESM-1b

• 第二篇《MSA Transformer》在ESM-1b的基础上作出改进，将模型的输入从单一蛋白质序列改为MSA矩阵，并在Transformer中加入行、列两种轴向注意力机制，对位点分别计算第个序列和第个对齐位置的影响，充分利用二维输入的优势。

• 第三篇《Language models enable zero-shot prediction of the effects of mutations on protein function 》中提出了ESM-1v模型，该模型与ESM-1b模型构架相同，只是预训练数据集改为UR90（ESM-1b预训练数据集为UR50）

• 第四篇《Language models of protein sequences at the scale of evolution enable accurate structure prediction》，ESMFold，提出了ESM2，代替MSA部分和Structure Template部分，对Postion Embedding做了修改，可以支持更长的氨基酸序列编码

ESM-1B的模型大小如下所示

ESM2模型大小如下所示（esm-github截图）：

ESM-2 embedding：

Bert输入Embeddings包含三个部分，第一部分为token的embeddings，第二部分为位置编码的embeddings，第三部分为token所属段落编码的embeddings

• tokenizer（由wordpiece创建）对输入pr序列会头尾添加CLS,EOS特殊字符(论文里写的是BOS、EOS)，占两个字符长度 ，batch中长度不够加Padding Token [PAD]（CLIP用的是GPT所以用EOS）

• tokenizer会创建固定大小的词汇表，进行分词，查词汇表将token转化成索引列表

• 加入旋转位置编码

• 分词后送入token embedding层从而将每一个词转换成向量形式

以下是bert 词嵌入的过程：
tokenizer首先检查整个单词是否在词汇表中。如果没有，则尝试将单词分解为词汇表中包含的尽可能大的子单词，最后将单词分解为单个字符。注意，由于这个原因，我们总是可以将一个单词表示为至少是它的单个字符的集合
self.word_embeddings = nn.Embedding(config.vocab_size, config.hidden_size, padding_idx=0)，相同位置输出相同
将这3个ID序列输入到BERT中就会按照BERT模型的定义依次将各种ID转换为对应的embedding：
Token Embeddings， (1, n, 768) ，词的向量表示
Segment Embeddings， (1, n, 768)，辅助BERT区别句子对中的两个句子的向量表示，EMS2将蛋白质视为几个句子？
Position Embeddings ，(1, n, 768) ，让BERT学习到输入的顺序属性

bert应用于下游任务：

ESM-2 output：

最开始是CLS，最后是EOS