在线教程｜ProteinGym 第一名！VenusREM 用「检索增强」预测蛋白突变影响，加速蛋白质设计
内容提要
上海交大等机构发布蛋白质突变效应预测模型VenusREM，结合检索增强与结构感知语言模型，利用同源序列进化信息提升预测精度，在ProteinGym基准测试中排名第一。该模型支持序列和结构输入，可用于突变筛选、定向进化及致病性分析，并已上线HyperAI教程，便于实际应用。
延伸解读
检索增强如何提升预测精度
VenusREM 的核心创新在于引入检索增强机制，在推理时利用多序列比对中的同源序列信息，提取进化保守性与可突变性先验。这种思路与仅依赖序列或结构信息的模型不同，它通过同源蛋白质的进化信息补充了单一序列的不足，从而在 ProteinGym 基准测试中取得领先。对于研究者而言，理解这一机制有助于评估模型在不同数据条件下的适用性。
适用场景与潜在局限
文章指出 VenusREM 可用于突变体筛选、定向进化前的候选评估以及致病性突变分析。但需注意，其性能依赖于同源序列的可用性，对于缺乏同源信息的蛋白质，检索增强的优势可能受限。此外，模型基于结构感知语言模型，对结构数据的依赖也可能影响其在仅有序列数据时的表现。实际应用中应结合具体数据条件进行验证。
从计算预测到实验验证的转化
VenusREM 的发布旨在加速蛋白质工程中的计算预筛选，减少湿实验的盲目性。通过在线教程，用户可快速上手并替换示例序列应用于自身研究。然而，计算预测结果仍需实验验证，模型提供的突变效应评分可作为优先级排序的依据，但最终效果需通过实验确认。这一流程有助于降低实验成本，但并非替代实验。
Q&A
VenusREM是什么？它主要解决什么问题？
VenusREM是上海交通大学等机构于2025年7月发布的蛋白质突变效应预测模型，它结合检索增强与结构感知语言模型，利用同源序列的进化信息来提升预测精度，旨在解决蛋白质工程中突变空间巨大、结构与功能关系复杂，以及预测效率与准确性难以兼顾的问题。
VenusREM的核心创新点是什么？
VenusREM的核心创新点是检索增强机制（REM），它在蛋白质语言模型的基础上，推理时引入多序列比对（MSA）中的同源序列信息作为参考，从同源蛋白质的进化信息中提取保守性与可突变性的先验知识，从而提升预测精度。
VenusREM基于什么模型架构？支持哪些输入模式？
VenusREM基于ProSST结构感知蛋白质语言模型构建，融合氨基酸序列与三维结构信息，支持氨基酸序列、结构序列或两者结合等多种检索模式，在不同数据条件下均能保持稳定表现。
VenusREM在蛋白质工程中有哪些应用场景？
VenusREM可用于蛋白质工程中的突变体筛选、定向进化实验前的候选方案评估，以及疾病相关致病性突变分析，帮助研究人员更快定位潜在关键突变位点，加速从计算预测到实验验证的转化。
VenusREM在ProteinGym基准测试中的表现如何？
VenusREM在ProteinGym替代突变基准测试中排名第一，显示了其在该领域的领先性能。
如何在HyperAI上运行VenusREM教程？
在HyperAI上运行VenusREM教程的步骤包括：进入教程页面，点击“运行此教程”，然后点击“Clone”克隆至自己的容器，选择“NVIDIA RTX 5090”和“PyTorch”镜像，点击“Continue job execution”，等待资源分配后点击“Open Workspace”进入Jupyter Workspace，最后运行README文件即可查看结果。
VenusREM的预测结果如何展示？
VenusREM的预测结果以可视化热图形式展示，直观显示每个位点的氨基酸替换对蛋白质功能的影响。
