Estructura de proteínas ESMFold
Predicción ultrarrápida de estructuras proteicas por Meta AI — predice estructuras proteicas 3D a partir de secuencias de aminoácidos en segundos, sin alineamientos múltiples de secuencias.
🧬 Desarrollado por Investigación de Meta AI | Licencia MIT | 10x–60x más rápido que AlphaFold2
¿Qué es ESMFold?
ESMFold es el sistema de predicción de estructuras proteicas de Meta AI que aprovecha Modelado de Escala Evolutiva (ESM-2) — el modelo de lenguaje para proteínas más grande del mundo (15 mil millones de parámetros) — para predecir estructuras proteicas 3D directamente a partir de secuencias de aminoácidos.
Ventajas clave sobre AlphaFold2
MSA requerido
❌ No
✅ Sí
Velocidad (proteína típica)
~2 segundos
~10 min–horas
Precisión (TM-score)
~0.87
~0.92
VRAM de la GPU (650 aa)
~8 GB
~8 GB
Entrada de una sola secuencia
✅ Sí
Limitado
Proteínas huérfanas
✅ Excelente
Tiene dificultades
¿Por qué no MSA?
AlphaFold2 requiere Alineamiento múltiple de secuencias (MSA) — recopilar y alinear los parientes evolutivos de la proteína consultada. Esto es computacionalmente costoso e imposible para proteínas nuevas o diseñadas sin parientes evolutivos.
ESMFold almacena la información evolutiva en los pesos de su modelo de lenguaje (entrenado con 250 millones de secuencias de proteínas), eliminando por completo el MSA. Esto lo hace:
Más rápido: Sin búsqueda de MSA (minutos ahorrados por predicción)
Más escalable: Procesa proteomas completos de forma eficiente
Mejor para proteínas nuevas: Las secuencias diseñadas no tienen parientes evolutivos
Inicio rápido en Clore.ai
Paso 1: Selecciona un servidor
En clore.ai marketplace:
Mínimo: GPU NVIDIA con 16 GB de VRAM (el modelo de lenguaje ESM-2 es grande)
Recomendado: A100 40GB, RTX 3090, RTX 4090 para el modelo completo
Opción más pequeña: Usa
esm2_t33_650M_UR50Dpara 8GB de VRAM
Guía de VRAM de la GPU:
Hasta 300 aa
ESMFold (3B)
~16GB
Hasta 500 aa
ESMFold (3B)
~20GB
Hasta 1000 aa
ESMFold (3B)
~40GB
Hasta 600 aa
ESMFold (chunk)
~8 GB
Paso 2: Construir imagen Docker personalizada
Paso 3: Despliega en Clore.ai
Imagen Docker:
yourname/esmfold:latestPuertos:
22(SSH)Entorno:
NVIDIA_VISIBLE_DEVICES=all
Instalación y configuración
Método 1: pip install
Método 2: Desde el código fuente
Verificar la instalación
Uso básico
Predecir una sola estructura proteica
Predecir múltiples secuencias (lote)
Obtener confianza por residuo (pLDDT)
Servidor de API REST
Construir una API de producción para ESMFold:
Ejemplos de uso de la API
Script de procesamiento por lotes
Visualización de estructuras
Usando Py3Dmol (Jupyter / Python)
Usando PyMOL
Visualización programática con Biotite
Optimización de memoria
Guía de tamaño de chunk
Descarga a CPU para secuencias muy largas
Solución de problemas
Memoria insuficiente en CUDA
ImportError para openfold
Carga lenta del modelo
Recomendaciones de GPU para Clore.ai
El requisito de VRAM de ESMFold está dominado por el modelo de lenguaje ESM-2 de 15 mil millones de parámetros. La longitud de la secuencia añade una carga adicional de memoria.
RTX 3090
24 GB
$0.07–0.21/h
~400 aa (con troceado)
~8 segundos
RTX 4090
24 GB
$0.14–0.42/h
~400 aa (con troceado)
~5 segundos
Mejor relación calidad-precio para investigación: La RTX 3090 a $0,07–0,21/h maneja la gran mayoría de las tareas de predicción de estructuras proteicas (proteína humana promedio: ~300–400 aa). A ~8 segundos por predicción, puedes procesar ~450 estructuras por hora por ~$0,12 en total — en comparación con AlphaFold2, que requiere el cálculo de MSA y tarda minutos por estructura.
Proteómica de alto rendimiento: Para cribar miles de secuencias, la A100 de 40 GB (bare metal) con inferencia por lotes procesa ~1.200+ predicciones por hora — viable para estudios a escala de proteoma.
Recursos
🐙 GitHub: github.com/facebookresearch/esm
🤗 Modelos: huggingface.co/facebook/esmfold_v1
🌐 Atlas metagenómico ESM: esmatlas.com — 772 millones de estructuras predichas con ESMFold
💻 Blog de Meta AI: ai.meta.com/blog/protein-folding-esmfold-metagenomics
🔬 Registro de cambios de ESM: github.com/facebookresearch/esm/blob/main/CHANGELOG.md
Última actualización
¿Te fue útil?