字节跳动全新开源结构模型Protenix-v1重磅发布

在生物计算的赛道上，AlphaFold3（AF3）无疑是一座里程碑。它的代码和权重虽然已开源，但其“非商用”的约束，依然让无数生物科技公司和产业界研发者望之兴叹。在很长一段时间里，完全开源（Fully Open-Source） 的模型在性能上始终无法与AF3正面对抗，这道“性能鸿沟”成为了开源社区的一块心病。

就在最近，字节跳动Seed团队发布的Protenix-v1彻底终结了这一局面。作为首个在严格对齐训练数据和推理预算下，性能比肩甚至超越AF3的全开源模型，Protenix-v1 不仅打破了高性能模型的“许可壁垒”，更让药物研发等工业场景拥有了真正可用的SOTA级基础设施。

正面硬刚：严格对齐下超越Alphafold 3

为了公平对比，Protenix-v1严格将训练数据截止时间控制在2021年9月30日（与AF3一致），并在相同的模型规模和推理预算下进行了公平对决。

结果显示，Protenix-v1打破了长期以来开源模型与AF3之间的性能鸿沟。

在修正后的FoldBench基准测试中（团队修复了原始FoldBench中因各模型评估子集不一致导致的偏差），Protenix-v1展现了惊人的效果：

蛋白质-蛋白质相互作用（Protein-Protein）：Protenix-v1的DockQ成功率显著高于AF3。

抗体-抗原复合物（Antibody-Antigen）：在这一最具挑战性的药物发现场景中，Protenix-v1表现尤为出色，大幅领先AF3及其他开源竞品（如Boltz-1, Chai-1）。

多模态支持：除了蛋白质，Protenix-v1在涉及RNA、DNA、小分子的复合物预测中也保持了第一梯队的SOTA水准，并额外集成了AF3未完全开源的蛋白质模板整合和RNA MSA支持功能。

Inference-time Scaling：生物计算的“系统2”时刻

技术报告指出，Protenix-v1展现出了强劲的推理时扩展行为（Inference-time Scaling Behavior）。特别是在抗体-抗原复合物等困难目标上，随着采样样本数量（Sampling Budget）的增加，预测质量呈现出对数线性（Log-linear）的增长。

数据说话：在PXM-22to25-Antibody测试集上，通过将采样种子数从1个增加到80个，DockQ成功率从36%一路飙升至近48%。

置信度筛选：配合模型自带的Confidence Head，用户可以精准地从生成的数百个候选结构中挑选出最佳构象。

这意味着，Protenix-v1为用户提供了一个可控的“旋钮”：只要增加计算算力，就能换取更高的预测精度。 这种特性在之前的开源模型中是缺位的。

面向实战：双版本策略与新基准

为了兼顾“学术公平”与“工业应用”，Protenix采取了双版本发布策略：

Protenix-v1：严格对齐AF3数据（2021年截止），用于算法研究和公平对比。

Protenix-v1-20250630：面向真实世界的药物研发。该版本使用了截至2025年6月30日的最新数据进行训练。

在最新的PXM-2025H2（2025年下半年发布的PDB数据）测试中，2025版模型在抗体-抗原任务上进一步碾压了所有基线模型，展现了数据规模扩展带来的巨大红利。

此外，针对目前评测基准数据泄露、统计效力不足的痛点，团队还发布了PXMeter工具及PXM-2024/2025等按年份分层的全新测试集，为行业建立了一套更透明、更严谨的评估标准。

不仅仅是预测：Protenix家族的生态野心

结合团队同期发布的其他工作，我们可以清晰地看到其宏大的技术布局：

极致效率：Protenix-Mini & Mini+为了解决AF3架构推理慢、长序列显存爆炸的痛点，团队推出了轻量化版本：

• Protenix-Mini：通过引入2步ODE采样器（替代传统的200步扩散），在精度仅损失1-5%的情况下，推理速度提升数倍。
• Protenix-Mini+：引入线性注意力机制（Linear Attention）和分块更新策略，打破了Transformer的O(N^3)复杂度魔咒，进一步大幅提升了推理速度。

从预测到设计：团队基于Protenix架构推出了PXDesign，这是一个集成了扩散生成（Diffusion）和幻觉优化（Hallucination）的蛋白质从头设计平台。

实测数据：在IL-7RA、PD-L1等6个靶点的湿实验中，PXDesign实现了17%-82%的纳摩尔级KD成功率，这一数据在多个靶点上比DeepMind发布的AlphaProteo高出2-6倍。

结语

从Protenix-v1的全面SOTA，到Mini系列的极致效率，再到PXDesign的实验验证，Protenix团队不仅打破了已有模型的技术垄断，更通过全栈开源（代码、权重、数据处理流程），为全球生物计算社区提供了一套目前最先进、最完整的基础设施。

在AI for Science的浪潮下，Protenix系列的出现证明了：开放与协作，才是推动科学边界扩展的最优解。

参考资料

🔗 开源代码：https://github.com/bytedance/Protenix

🔗 评估工具：https://github.com/bytedance/PXMeter

🔗 在线服务：https://protenix-server.com

🔗 Report:

https://github.com/bytedance/Protenix/blob/main/docs/PTX_V1_Technical_Report_202602042356.pdf