用途：使用 Meta AI 的 ESM-2（fair-esm 包，import esm）为蛋白质序列提取嵌入，供下游机器学习使用，也可做掩码语言模型打分和接触预测。注意与 Biohub 的 esm 分支区分：本技能只覆盖 fair-esm，使用 esm.pretrained.*。
主要能力：逐残基与逐序列嵌入；掩码语言模型打分（可对突变位点做 logit 比较）；接触预测（return_contacts=True）。可用模型包括 esm2_t6_8M_UR50D（6 层、320 维、8M）、esm2_t33_650M_UR50D（33 层、1280 维、650M，默认）和 esm2_t36_3B_UR50D（36 层、2560 维、3B，需 24GB+ 显存）。
使用方式：安装 fair-esm 后，用 esm.pretrained.esm2_t33_650M_UR50D() 加载模型与 alphabet，经 get_batch_converter() 编码序列，在 torch.no_grad() 下调用 model(toks.cuda(), repr_layers=[33]) 获取 out["representations"][33]。输出形状为 (B, L_max+2, D)，含 BOS/EOS 与填充；单序列可用 1:-1 切片，批量需按 token_lengths 去除 BOS/EOS 后再池化。接触输出形状为 (B, L_max, L_max)，需按各序列长度裁剪。
适用场景：蛋白质嵌入提取、突变效应打分、接触图预测等下游任务。
限制：需 Python 3.8+（推荐 3.11）、CUDA 11.7+（推荐 12.x）；显存 8GB 可跑 8M，16GB 可跑 650M，3B 需 24GB+。首次调用会从 torch.hub 下载权重，可设置 TORCH_HOME 指向缓存。远程计算需 ≥16GB 显存，并需预缓存 .pt 权重或可访问 dl.fbaipublicfiles.com。序列需非空，批量时须保持顺序以正确关联嵌入与序列 ID。若报 ModuleNotFoundError: No module named 'esm.models'，说明需要的是 Biohub 分支，应改用 esmfold2 技能。结构预测请使用 esmfold2。