行业洞察
在抗体药物研发与结构生物学研究中，研发团队越来越需要在同一套计算框架下同时处理抗体–抗原、蛋白–小分子、蛋白–核酸等多类体系，并把预测结果稳定接入后续验证流程。但在实际落地中，行业仍普遍面临几类痛点：其一，多分子建模工具往往分散，单体预测、复合体预测、界面分析与结果解释之间切换成本高；其二，很多模型仍以“黑箱”方式运行，难以复现、验证和持续优化；其三，实验约束与结构预测之间缺乏顺畅耦合，导致计算结果与真实生物体系之间仍有距离；其四，复杂复合体建模对算力与工程部署要求较高，不利于大规模筛选与快速迭代。
正因如此，行业对于“统一架构、开放可复现、支持实验约束、适配多分子体系”的结构预测平台需求正在快速上升。本文介绍的 AbSeekTM智能计算平台 引入 Protenix，正是围绕这一需求展开：它希望以更开放、更高效、更贴近真实研发流程的方式，帮助研究者推进多分子结构预测在抗体研发和结构研究中的实际应用。
导语
AbSeekTM智能计算平台 现已正式部署 Protenix —— 一款由 ByteDance AML AI4Science 团队研发、完全开源的多分子结构预测基础模型。作为 AlphaFold3 的开源复现版本，Protenix 能够在同一架构下精确预测蛋白–蛋白、蛋白–小分子、蛋白–核酸等复杂体系的三维结构，实现从单体到复合体的全场景建模。
它的引入，不仅显著提升平台在抗体–抗原建模、药物结合预测等任务中的计算效率与准确性，也为科研用户带来了更强的可复现性、可验证性与可扩展性。对于希望在真实研发场景中缩短“从序列到结构、从预测到验证”路径的团队而言，这一部署标志着 AbSeekTM 平台正式迈入“开放式 AI 结构预测”的新阶段。
图1. AbSeekTM上的Protenix工具页面
Protenix是什么？
Protenix 是一款多模态分子结构预测模型（multi-modal structure prediction model），在统一框架下支持蛋白、核酸与小分子的端到端结构建模。它以 AlphaFold3 的方法体系为基础，通过完全开源的训练、推理与数据流程，将多分子协同预测能力真正开放给研究社区。
根据官方技术报告，Protenix 展示出较强的综合性能：
- 蛋白–小分子对接成功率（RMSD ≤ 2 Å）高于 80%；
- 蛋白–蛋白复合体预测成功率（DockQ > 0.23）平均高于 70%；
- 抗体–抗原体系预测成功率（DockQ > 0.23）最高达 35.5%。
对于抗体研发领域而言，Protenix 的意义并不只在于“又一个结构预测模型”，而在于它把高质量、多体系、可复现的结构预测能力带入了更开放的科研环境，让研究者可以更直接地评估模型、验证结果，并围绕自身任务持续优化工作流。
图2. Protenix的模型性能图
Protenix 部署后，给 AbSeekTM 平台带来哪些新变化？
Protenix 的部署，为平台带来了一次系统性的升级，从模型架构到用户体验，全面增强了多分子建模能力，也让平台在科研探索与工业研发之间建立起更紧密的桥梁。
1. 从单体到复合体：一次输入，多类型预测
传统模型通常面向单一任务，例如单体蛋白结构预测或特定场景的复合体建模。Protenix 则支持多模态输入，可在统一框架下同时处理多类结构体系，包括蛋白–蛋白复合体、蛋白–小分子结合体系、蛋白–DNA/RNA 复合体，以及含修饰残基、金属离子和辅因子的结构系统。
这意味着平台用户只需上传序列或结构文件，即可更高效地生成多类型复合体模型，真正实现“一次预测，多场景适配”。对于需要进一步拓展 蛋白–蛋白复合体对接 分析的研究者来说，这也为后续结构研究提供了更顺畅的衔接基础。
图3. 可视化模块
2. 高性能计算优化：更快、更稳、更经济
Protenix 在推理端集成 BF16 混合精度计算与定制 CUDA Kernel 加速。相比传统 AlphaFold2 多链模型，在相近算力条件下，它可实现更高的执行效率，包括训练速度提升 30–50%、推理时间缩短至 10 分钟内，以及显存占用显著下降。这种工程优化对需要批量评估候选分子、快速迭代复合体模型的团队尤其重要，因为它直接关系到项目推进节奏与计算成本控制。
3. 与实验数据融合：让预测更贴近真实结构
Protenix 在推理中可融合实验约束（experimental restraints）信息，例如距离约束、已知表位或配体位点。当用户提供部分实验数据后，模型可以自动调整结构采样分布，使预测结果更接近真实构象。研究显示，加入 1 组约束信息后，DockQ 成功率可提升约 20%；融入 4 组约束信息后，预测精度可提升超过一倍。
在 AbSeekTM 平台中，用户可通过表单界面输入相关约束，无需手动构建复杂输入文件，即可调用 Protenix 的约束建模能力。结合平台现有的 工作流 设计，这种“实验驱动预测”的模式更适合真实项目中的闭环验证。
图4. Protenix在提供约束条件下的复合体预测成功率
哪些用户需要用 Protenix？
1. 生物制药企业
- 加速候选筛选与结构验证：从序列到复合体结构建模更加自动化，减少计算依赖与人力成本；
- 支持亲和力分析与突变评估：结合模型置信度指标，可更高效地比较结构差异与潜在结合影响；
- 增强项目透明度：生成的结构结果可更自然地接入内部研发流程，推动预测与实验之间形成闭环。
2. 科研机构与高校实验室
- 降低建模门槛：无需复杂命令行配置，即可通过图形界面完成预测；
- 促进实验协同：可在预测流程中直接输入实验约束，实现更贴近研究问题的结构建模；
- 拓宽研究对象：支持非典型序列、合成肽、嵌合抗体与核酸复合体等多种创新研究场景。
3. AI for Science 研究者
- 完全可复现的架构与数据流程：便于模型研究、方法比较与技术扩展；
- 支持再训练与迁移学习：适合围绕特定任务进行微调与适配；
- 推动开源生态：可与其他开放工具形成互补，促进多模态结构建模社区发展。
从模型到生态，构建智能分子结构新基石
Protenix 的部署，使 AbSeekTM 在“从序列到结构、从预测到实验”的链路上迈出了更完整的一步。它不仅扩展了平台在多分子预测层面的能力边界，也提升了平台在开放科学、结构解释与研发协同方面的可用性。
对于抗体研发团队而言，这种升级的价值在于：更容易把高质量结构预测纳入项目早期决策，更容易把实验信息反馈给模型，也更容易在平台内衔接 抗体结构预测 与 相互作用分析工具，形成更完整的结构研究路径。
未来，我们期待 Protenix 在抗体–抗原复合体预测、实验约束融合和多模态模型开放协作等方面持续进步，帮助更多研究者在真实研发问题中获得更可靠、更可解释、更可落地的结构预测结果。
立即体验：在 AbSeekTM 平台中选择 Protenix，上传序列或复合体文件，即可快速开始多分子结构预测。
开放合作：我们欢迎高校、科研机构与产业伙伴共同探索 Protenix 在抗体药物研发、结构生物学及多模态分子建模中的创新应用。