从蛋白质语言模型到 CoFoldArena：如何评价预测结果

上一篇 ESM-2 教程介绍了如何把氨基酸序列转成向量。如果下一步需要预测蛋白质复合物，该怎样评价模型？CoFoldArena提供了一个入口，可以比较抗体与抗原的预测结构。

本文说明蛋白质语言模型与这一任务的联系，带你查看排行榜，并用一段 Python 代码解释评分。网站功能核对于 2026 年 9 月 20 日，发布后排名可能变化。

1. 先区分序列表征与结构预测

ESM-2 提供学习得到的序列表征。ESMFold 在此基础上使用结构预测架构，将 ESM-2 表征转成坐标。这是语言建模与蛋白质折叠之间的一个具体联系，见 ESM 官方项目。

先明确需要什么输出，再选择评价方法：

这几类问题需要分别验证。共折叠排行榜不能直接评价所有蛋白质语言模型的用途，向量相似度也不能代替结构比较。

2. 设置可比较的 CoFoldArena 视图

查看网站只需浏览器；运行下文示例需要 Python 3，无需下载模型或准备 GPU。

核对时，CoFoldArena提供抗体与抗原评测，可调整抗体 MSA、Fab/VHH 类型及结构发布日期窗口。蛋白质与配体评测标注为即将推出。可以按以下顺序操作：

1. 选择与你的任务相关的抗体类型。
2. 记录抗体 MSA 设置；MSA 指多序列比对。
3. 选择发布日期窗口，记下目标数量。
4. 在同一视图中比较明确的模型版本。

同时保存访问日期、筛选条件、模型版本和结果。如果只有分数，没有选中的目标集合，以后很难复核。

方法说明介绍了持续扩展的 PDB 评测集、可下载的预测结构、1,024 token 的目标长度上限和单随机种子推理。页面还指出 Protenix-v1-20250630 存在训练截止日期例外。打开不确定性显示，可以查看 bootstrap 区间与排名范围。

我的解读是：这些结果是在特定条件下取得的证据。仍需单独检查训练日期和近缘序列；结构发布日期较新，本身不足以证明它独立于训练数据。

3. 先读懂 DockQ，再看排名

DockQ比较预测复合物与参考结构，其质量区间如下：

排行榜同时报告平均 DockQ 和达到各阈值的比例。阈值列之间存在包含关系：高质量结果也达到中等和可接受阈值，因此不能把这些百分比直接相加。见 CoFoldArena 排行榜。

平均 DockQ 为 0.50，不代表结合概率为 50%。DockQ 衡量结构一致程度，需要参考结构；对于实验结构未知的新复合物，不能直接计算同样的真实结构对照分数。模型自己的置信度与参考结构对照结果应分开理解。见 DockQ 使用说明。

4. 用 Python 验证均值与成功率的差别

保存为 score_demo.py。这些分数仅为演示计算而编造，并非下载的评测结果，也不对应真实模型。

from statistics import mean

# Invented scores for arithmetic only; these are not CoFoldArena results.
scores = {
    "model_a": [0.90, 0.85, 0.10, 0.05],
    "model_b": [0.50, 0.50, 0.45, 0.45],
}
print("model     mean   acceptable   medium   high")
for model, values in scores.items():
    rates = [sum(x >= t for x in values) / len(values)
             for t in (0.23, 0.49, 0.80)]
    print(f"{model:9} {mean(values):.3f}  {rates[0]:9.1%}"
          f"  {rates[1]:7.1%}  {rates[2]:5.1%}")

示例只依赖 Python 标准库：

python3 score_demo.py

预期输出：

model     mean   acceptable   medium   high
model_a   0.475      50.0%    50.0%  50.0%
model_b   0.475     100.0%    50.0%   0.0%

两个模型的均值都是 0.475。模型 A 有两个高分和两次失败；模型 B 的四次结果均达到可接受标准，但没有高质量结果。均值隐藏了这一差别。

如果任务需要为大量目标提供可用的起始结构，模型 B 的表现模式可能更合适。如果可以容忍失败，希望得到少数更准确的结构，模型 A 的模式可能更有价值。这只是对演示数据的解读，不是对实时排行榜中任何模型的推荐。

5. 查看具体案例，排查容易误读的结果

方法说明指出，可以在浏览器中查看预测，也可以下载文件。利用这些功能同时检查若干成功与失败案例，避免只挑一张看起来合理的结构图。

做一个小型评测记录时，我会保存目标编号、模型版本、选定设置、分数，以及对界面的简短观察。先比较多个目标，再决定是否调整工作流程。

下一步

选择一个 CoFoldArena 视图，保存设置，检查几个目标的具体结果，再挑选值得进一步评价的模型。整个流程中，应始终区分序列表征、结构准确性与实验结合证据。