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。注意与 Biohub 的 esm 分支区分，后者提供 esm.models.esmfold2，属于 esmfold2 技能。
主要能力：逐残基或逐序列嵌入；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）。
环境要求：Python 3.8+（推荐 3.11），CUDA 11.7+（推荐 12.x），显存 8GB（8M 模型）、16GB（650M）、24GB+（650M/3B）。
用法：安装 pip install fair-esm，加载 esm.pretrained.esm2_t33_650M_UR50D()，用 alphabet.get_batch_converter() 编码序列，调用 model(toks.cuda(), repr_layers=[33]) 获取 out["representations"][33]，形状为 (B, L+2, D)，切片 [:, 1:-1, :] 去掉 BOS/EOS；逐序列可取均值。接触预测需 return_contacts=True，输出 (B, L, L)。
模型：esm2_t6_8M_UR50D（6 层，320 维，8M）、esm2_t33_650M_UR50D（33 层，1280 维，650M，默认）、esm2_t36_3B_UR50D（36 层，2560 维，3B，需 24GB+）。
远程计算：650M 模型需 ≥16GB 显存，并需预缓存 .pt 权重或可访问 dl.fbaipublicfiles.com；可提交 GPU 作业，设置 TORCH_HOME 指向缓存挂载，作业完成后保存产物。
限制：首次调用可能因 torch.hub 下载权重而变慢；若报 ModuleNotFoundError: No module named 'esm.models'，说明误用了 Biohub 分支。结构预测请使用 esmfold2 技能。