esm

Conjunto abrangente de ferramentas para modelos de linguagem de proteínas, incluindo ESM3 (design multimodal generativo de proteínas em sequência, estrutura e função) e ESM C (embeddings e representaç

SKILL.md

GitHub

ESM: Evolutionary Scale Modeling

Visão Geral

O ESM oferece modelos de linguagem de proteína de última geração para entender, gerar e designing de proteínas. Essa skill permite trabalhar com duas famílias de modelos: ESM3 para design generativo de proteínas em sequência, estrutura e função, e ESM C para aprendizado eficiente de representações de proteínas e embeddings.

Capacidades Principais

1. Geração de Sequência de Proteína com ESM3

Gere sequências de proteínas inovadoras com propriedades desejadas usando modelagem generativa multimodal.

Quando usar:

  • Designing de proteínas com propriedades funcionais específicas
  • Conclusão de sequências de proteína parciais
  • Geração de variantes de proteínas existentes
  • Criação de proteínas com características estruturais desejadas

Uso básico:

from esm.models.esm3 import ESM3
from esm.sdk.api import ESM3InferenceClient, ESMProtein, GenerationConfig

# Load model locally
model: ESM3InferenceClient = ESM3.from_pretrained("esm3-sm-open-v1").to("cuda")

# Create protein prompt
protein = ESMProtein(sequence="MPRT___KEND")  # '_' representa posições mascaradas

# Generate completion
protein = model.generate(protein, GenerationConfig(track="sequence", num_steps=8))
print(protein.sequence)

Para uso remoto/nuvem via Forge API:

from esm.sdk.forge import ESM3ForgeInferenceClient
from esm.sdk.api import ESMProtein, GenerationConfig

# Connect to Forge
model = ESM3ForgeInferenceClient(model="esm3-medium-2024-08", url="https://forge.evolutionaryscale.ai", token="<token>")

# Generate
protein = model.generate(protein, GenerationConfig(track="sequence", num_steps=8))

Veja references/esm3-api.md para especificações detalhadas do modelo ESM3, configurações avançadas de geração e exemplos de prompting multimodal.

2. Predição de Estrutura e Inverse Folding

Use a track de estrutura do ESM3 para predição de estrutura a partir da sequência ou inverse folding (design de sequência a partir da estrutura).

Predição de estrutura:

from esm.sdk.api import ESM3InferenceClient, ESMProtein, GenerationConfig

# Predict structure from sequence
protein = ESMProtein(sequence="MPRTKEINDAGLIVHSP...")
protein_with_structure = model.generate(
    protein,
    GenerationConfig(track="structure", num_steps=protein.sequence.count("_"))
)

# Access predicted structure
coordinates = protein_with_structure.coordinates  # 3D coordinates
pdb_string = protein_with_structure.to_pdb()

Inverse folding (sequência a partir de estrutura):

# Design sequence for a target structure
protein_with_structure = ESMProtein.from_pdb("target_structure.pdb")
protein_with_structure.sequence = None  # Remove sequence

# Generate sequence that folds to this structure
designed_protein = model.generate(
    protein_with_structure,
    GenerationConfig(track="sequence", num_steps=50, temperature=0.7)
)

3. Embeddings de Proteína com ESM C

Gere embeddings de alta qualidade para tarefas downstream como predição de função, classificação ou análise de similaridade.

Quando usar:

  • Extração de representações de proteína para aprendizado de máquina
  • Cálculo de similaridades de sequência
  • Extração de features para classificação de proteínas
  • Transfer learning para tarefas relacionadas a proteínas

Uso básico:

from esm.models.esmc import ESMC
from esm.sdk.api import ESMProtein

# Load ESM C model
model = ESMC.from_pretrained("esmc-300m").to("cuda")

# Get embeddings
protein = ESMProtein(sequence="MPRTKEINDAGLIVHSP...")
protein_tensor = model.encode(protein)

# Generate embeddings
embeddings = model.forward(protein_tensor)

Processamento em lote:

# Encode multiple proteins
proteins = [
    ESMProtein(sequence="MPRTKEIND..."),
    ESMProtein(sequence="AGLIVHSPQ..."),
    ESMProtein(sequence="KTEFLNDGR...")
]

embeddings_list = [model.logits(model.forward(model.encode(p))) for p in proteins]

Veja references/esm-c-api.md para detalhes do modelo ESM C, comparações de eficiência e estratégias avançadas de embedding.

4. Condicionamento e Anotação de Função

Use a track de função do ESM3 para gerar proteínas com anotações funcionais específicas ou prever função a partir da sequência.

Geração condicionada a função:

from esm.sdk.api import ESMProtein, FunctionAnnotation, GenerationConfig

# Create protein with desired function
protein = ESMProtein(
    sequence="_" * 200,  # Generate 200 residue protein
    function_annotations=[
        FunctionAnnotation(label="fluorescent_protein", start=50, end=150)
    ]
)

# Generate sequence with specified function
functional_protein = model.generate(
    protein,
    GenerationConfig(track="sequence", num_steps=200)
)

5. Geração com Chain-of-Thought

Refine iterativamente designs de proteínas usando a abordagem chain-of-thought generation do ESM3.

from esm.sdk.api import GenerationConfig

# Multi-step refinement
protein = ESMProtein(sequence="MPRT" + "_" * 100 + "KEND")

# Step 1: Generate initial structure
config = GenerationConfig(track="structure", num_steps=50)
protein = model.generate(protein, config)

# Step 2: Refine sequence based on structure
config = GenerationConfig(track="sequence", num_steps=50, temperature=0.5)
protein = model.generate(protein, config)

# Step 3: Predict function
config = GenerationConfig(track="function", num_steps=20)
protein = model.generate(protein, config)

6. Processamento em Lote com Forge API

Processe múltiplas proteínas eficientemente usando o async executor do Forge.

from esm.sdk.forge import ESM3ForgeInferenceClient
import asyncio

client = ESM3ForgeInferenceClient(model="esm3-medium-2024-08", token="<token>")

# Async batch processing
async def batch_generate(proteins_list):
    tasks = [
        client.async_generate(protein, GenerationConfig(track="sequence"))
        for protein in proteins_list
    ]
    return await asyncio.gather(*tasks)

# Execute
proteins = [ESMProtein(sequence=f"MPRT{'_' * 50}KEND") for _ in range(10)]
results = asyncio.run(batch_generate(proteins))

Veja references/forge-api.md para documentação detalhada da Forge API, autenticação, limites de taxa e padrões de processamento em lote.

Guia de Seleção de Modelos

Modelos ESM3 (Generativos):

  • esm3-sm-open-v1 (1.4B) - Pesos abertos, uso local, bom para experimentação
  • esm3-medium-2024-08 (7B) - Melhor balanço entre qualidade e velocidade (apenas Forge)
  • esm3-large-2024-03 (98B) - Maior qualidade, mais lento (apenas Forge)

Modelos ESM C (Embeddings):

  • esmc-300m (30 camadas) - Leve, inferência rápida
  • esmc-600m (36 camadas) - Desempenho equilibrado
  • esmc-6b (80 camadas) - Qualidade máxima de representação

Critérios de seleção:

  • Desenvolvimento local/testes: Use esm3-sm-open-v1 ou esmc-300m
  • Qualidade em produção: Use esm3-medium-2024-08 via Forge
  • Máxima precisão: Use esm3-large-2024-03 ou esmc-6b
  • Alta vazão: Use Forge API com batch executor
  • Otimização de custo: Use modelos menores, implemente estratégias de cache

Instalação

Instalação básica:

uv pip install esm

Com Flash Attention (recomendado para inferência mais rápida):

uv pip install esm
uv pip install flash-attn --no-build-isolation

Para acesso à Forge API:

uv pip install esm  # SDK inclui cliente Forge

Sem dependências adicionais necessárias. Obtenha token da Forge API em https://forge.evolutionaryscale.ai

Fluxos de Trabalho Comuns

Para exemplos detalhados e fluxos de trabalho completos, veja references/workflows.md que inclui:

  • Design inovador de GFP com chain-of-thought
  • Geração e screening de variantes de proteína
  • Otimização de sequência baseada em estrutura
  • Pipelines de predição de função
  • Clustering e análise baseada em embeddings

Referências

Essa skill inclui documentação de referência abrangente:

  • references/esm3-api.md - Arquitetura do modelo ESM3, referência de API, parâmetros de geração e prompting multimodal
  • references/esm-c-api.md - Detalhes do modelo ESM C, estratégias de embedding e otimização de desempenho
  • references/forge-api.md - Documentação da plataforma Forge, autenticação, processamento em lote e deploy
  • references/workflows.md - Exemplos completos e padrões comuns de fluxo de trabalho

Essas referências contêm especificações detalhadas de API, descrições de parâmetros e padrões de uso avançado. Carregue conforme necessário para tarefas específicas.

Melhores Práticas

Para tarefas de geração:

  • Comece com modelos menores para prototipagem (esm3-sm-open-v1)
  • Use parâmetro de temperatura para controlar diversidade (0.0 = determinístico, 1.0 = diverso)
  • Implemente refinamento iterativo com chain-of-thought para designs complexos
  • Valide sequências geradas com predição de estrutura ou experimentos em laboratório

Para tarefas de embedding:

  • Processe sequências em lote quando possível para eficiência
  • Cache embeddings para análises repetidas
  • Normalize embeddings ao calcular similaridades
  • Use tamanho de modelo apropriado baseado em requisitos da tarefa downstream

Para deploy em produção:

  • Use Forge API para escalabilidade e modelos mais recentes
  • Implemente tratamento de erros e lógica de retry para chamadas de API
  • Monitore uso de tokens e implemente rate limiting
  • Considere deploy em AWS SageMaker para infraestrutura dedicada

Recursos e Documentação

Uso Responsável

O ESM foi projetado para aplicações benéficas em engenharia de proteínas, descoberta de fármacos e pesquisa científica. Siga o Responsible Biodesign Framework (https://responsiblebiodesign.ai/) ao designing de proteínas inovadoras. Considere implicações de biossegurança e éticas dos designs de proteína antes da validação experimental.