1. 课程导入与工程全景

分子蛋白多模态建模，指的是把蛋白质相关的多种模态数据——一维序列、三维结构、文本注释、实验图谱、结合亲和力数值等——统一到同一个可计算、可训练、可评估的工程体系里，用来完成结构预测、功能注释、突变效应判断、结合位点识别、分子生成与筛选等任务。它和"只跑一个模型"的差别在于：多模态建模的核心难点不在单个网络结构，而在模态之间的对齐、融合与一致性约束。序列说这个位点保守，结构说它埋在核心，文本说它参与催化，图谱说它附近有配体信号——工程上必须让这些信息在同一个表示空间里互相印证，而不是各说各话。

从技术栈看，这条链路可以拆成五层。数据层负责从 UniProt、PDB、AlphaFold DB、Pfam、ChEMBL 等来源拉取序列、结构、注释与活性数据，并做去重、截断、缺失标记与划分；表示层把不同模态转成张量，序列用 one-hot 或嵌入，结构用坐标、距离矩阵或图，文本用 tokenizer，图谱用峰表或向量；模型层是融合发生的地方，常见做法包括早期拼接、中期交叉注意力、后期决策融合；训练层处理多任务损失加权、对比学习、掩码重建与课程学习；评估与部署层则负责指标计算、不确定性估计、推理服务与版本管理。这五层不是线性流水线，而是反复迭代的闭环。

典型应用场景可以按"输入模态组合"来区分。序列到结构属于单模态到结构的映射，代表任务是单体结构预测；序列加结构到功能属于结构增强的功能注释，例如酶活性位点识别；序列加文本到突变效应，用于判断某个位点替换是否致病；结构加图谱到结合模式，用于解析配体结合构象；多模态到生成，则用于设计满足多种约束的新序列或新骨架。不同场景对模态完整度的容忍度不同，工程上要先明确"哪些模态是必须的、哪些是可选的"，再决定融合架构。

一个完整的项目生命周期通常包含六个阶段，但每个阶段的产出物和判断标准必须明确。立项阶段要写清任务定义、成功指标和基线，例如"在留出测试集上，突变效应预测的 Spearman 相关系数不低于 0.45，且优于仅用序列的基线"；数据阶段要产出可复现的数据版本、划分文件和缺失模态统计；建模阶段要固定随机种子、记录超参、保存中间检查点；训练阶段要监控各任务损失是否平衡、验证集是否过拟合；评估阶段要区分同源与非同源测试集，并给出置信区间；交付阶段要提供推理接口、模型卡和已知失效场景说明。缺少任何一环，项目都会在复现或上线时暴露问题。

把这张图落到具体工程上，一个可执行的最小闭环是这样的：先选定一个任务，例如"给定序列预测突变后结合亲和力变化"。数据侧准备三类文件——序列 FASTA、可选的结构 PDB 或 AlphaFold 模型、以及突变位点与 ΔΔG 标签表；划分时按蛋白家族聚类，避免同源泄漏。模型侧先跑一个仅用序列的基线，记录验证集 Spearman；再加入结构模态，用交叉注意力让残基表示与结构邻接信息交互；训练时对多任务损失做加权，例如主任务权重 1.0、辅助掩码重建权重 0.2。评估时同时报告同源与非同源测试集结果，并给出预测值与真实值的散点趋势。如果非同源集上指标下降超过 0.15，就要回头检查对齐粒度和数据泄漏，而不是继续调网络深度。

需要强调的是，多模态不等于模态越多越好。每增加一个模态，就增加一份数据清洗成本、一套缺失处理逻辑和一组对齐假设。工程上更稳妥的策略是：先建立单模态基线，再逐个加入模态并观察验证集增益，只有当增益稳定且可解释时才保留。同时，模型卡中必须写明每个模态的来源、版本、预处理方式和已知偏差，否则后续复现和上线审计都会遇到障碍。