一句话定义：蛋白质语言模型（Protein Language Model, PLM）是一类把蛋白质的氨基酸序列当作"自然语言句子"来训练的模型，靠海量序列自学规律，从而在没做实验结构解析的情况下推断功能。
它是怎么工作的
蛋白质是一条由 20 种氨基酸首尾相连组成的长链，就像一句话由字母串成。ESM（Evolutionary Scale Modeling）是这类模型的代表，训练方式和 BERT 的AI 词典：掩码语言建模">掩码语言建模（Masked Language Modeling）几乎一样：随机遮住序列里的某些氨基酸，让模型根据上下文把它们猜回来。
打个比方：一个人读了一万本侦探小说后，即使某页被撕掉一角，也能猜出缺的是什么字。模型在反复"填空"的过程中，被迫学会了一件更重要的事——哪些位置的氨基酸是配套变化的。
这就是关键。在自然界中，如果位置 A 突变了，位置 B 往往也跟着变，说明两者在三维空间里可能挨着，或在功能上互相牵制。这种共变（co-evolution）模式被模型隐式地学进了参数里。
为什么不做结构预测也能推功能
结构预测（如 AlphaFold 这类方法）回答的是"这个蛋白质长什么样"，输出原子坐标；蛋白质语言模型回答的是"这条序列读起来像不像一个合理的蛋白质"，输出向量或概率分数。
前者依赖物理和几何约束，后者依赖进化统计。因为进化压力本身就是由结构约束和功能约束共同塑造的，所以序列里已经藏着结构的影子。模型不需要显式输出 3D 坐标，也能给出有功能含义的判断。
| 对比对象 | 关注点 | 典型输出 | 需要人工标注吗 |
|---|---|---|---|
| 结构预测模型 | 原子空间位置 | 三维结构 | 否 |
| 蛋白质语言模型 | 序列概率与表示 | 向量 / 分数 | 否 |
| 传统同源比对（如 BLAST） | 序列相似度 | 相似序列列表 | 否 |
实际怎么用
- 变体效应预测：给一个突变，算它在模型下的概率。概率明显偏低，说明这个位置"读起来别扭"，可能损害功能，值得优先做实验验证。
- 蛋白质设计：反过来让模型采样新序列，生成可能折叠稳定的候选。
- 当特征提取器：把序列压成向量，喂给下游的小分类器，往往只需少量标注数据就能微调（fine-tuning）出不错的效果。
对从业者和普通人的意义
对算法从业者，它相当于蛋白质领域的"预训练骨干网"，地位类似 NLP 里的 BERT——先在大规模无标注数据上预训练，再按任务微调。对非技术岗位，它的价值在于先把候选范围收窄：药物研发、酶工程、育种里，用它筛掉大部分明显不靠谱的候选，把有限的湿实验预算花在最有希望的少数上。
需要提醒的是，模型给出的是概率性建议，不是实验结论；具体模型的能力边界和可获取方式，以官方页面为准。