用途：ESM（Evolutionary Scale Modeling）提供预训练蛋白质语言模型。ESM3 是多模态生成模型，可同时以序列、结构、功能为条件；ESM C 是面向下游机器学习任务的高效嵌入模型。适用于生成新蛋白质序列、从序列提取定长嵌入、从氨基酸序列预测三维结构、反向折叠（为目 标结构设计序列）、按功能关键词（如 GO 术语、EC 号）生成蛋白质，以及用嵌入距离比较蛋白质相似性。若需传统基于物理的结构预测可改用 AlphaFold；序列比对与同源搜索可用 BioPython 中的 BLAST/HMMER。
主要能力：1) ESM3 序列生成，可对掩码位置补全或以目标结构、功能注释为条件；2) ESM C 嵌入提取，输出逐残基嵌入，可沿序列维度平均池化得到定长向量；3) 结构预测，由序列生成三维坐标并保存 PDB；4) 反向折叠，清空序列保留结构坐标后批量生成多条设计；5) 功能条件生成；6) Forge 云 API 推理，无需本地大显存。
使用方式：需安装 esm 包，pip install esm；使用 Forge 云 API 时 pip install esm[forge]。本地推理建议 GPU（ESM3 需 8GB 以上显存，ESM C 需 4GB 以上，esmc_300m 约 2GB），CPU 可处理小批量。首次使用自动下载约 1-4GB 权重。核心对象为 ESMProtein，包含 sequence、coordinates、function_annotations；GenerationConfig 控制 track（sequence/structure/function）、num_steps 与 temperature。可用 ProteinChain.from_pdb() 读取 PDB，用 .to_pdb() 保存预测结构。Forge 需从 forge.evolutionaryscale.ai 获取 API token，通过 FORGE_API_TOKEN 环境变量或显式传入。
适用场景与限制：适合蛋白质设计、结构预测与嵌入特征工程。嵌入任务建议优先用 ESM C，仅在需要生成能力时用 ESM3。设计时温度建议 0.5-0.7；结构预测等确定性任务可用 0.0。num_steps 增加可提升质量但更慢。批量处理可提高 GPU 利用率。常见限制包括显存不足、无 CUDA 设备、生成质量偏低等，可改用更小模型、减少步数或走 Forge 云 API。模型名需写全，如 esm3_sm_open_v1、esmc_300m、esmc_600m。官方具体收费与价格暂未提供。