Dayhoff + BioEmu蛋白质链实验室

这是一个面向生命科学（蛋白序列生成 + 结构采样/验证 + 网页可视化）的 Web demo，可以部署在 Azure Container Apps（Sweden Central, Serverless GPU T4）

方案概述：Dayhoff + BioEmu 闭环蛋白设计与验证

Dayhoff 与 BioEmu 的组合方案旨在构建一个闭环的蛋白质设计与验证工作流：把“生成（设计）”与“评估（虚拟验证）”整合在同一循环中，从而更快收敛到高潜力候选，缩短药物研发与蛋白工程的迭代周期。

1) 两个模型的角色定位

• Dayhoff（设计引擎）：负责生成大量候选蛋白序列，擅长探索序列空间并提出多样化设计假设。
• BioEmu（物理/结构模拟器）：负责对序列进行三维结构集合（ensemble）采样与稳定性相关分析，用于快速筛选更可能稳定、且具备目标功能构象的候选。

2) 闭环工作流的运行逻辑

1. 序列生成：Dayhoff 根据设计目标（如结合特定配体、提高催化效率等）生成一批候选序列。
2. 结构与稳定性评估：BioEmu 对候选序列进行结构采样与热力学相关信号的评估，筛选更有希望稳定且具备功能构象的候选。
3. 反馈优化：将 BioEmu 的评估结果（如稳定性评分、潜在口袋位置等）反馈给 Dayhoff，用于调整提示/约束与生成策略，迭代得到更优序列。
4. 实验验证：仅将闭环筛选出的高潜力候选送入湿实验，降低实验筛选次数与成本。

该模式实现“设计 → 虚拟验证 → 再设计”的自动化循环，通常可显著缩短从序列设计到功能验证前筛选的时间，并降低计算与实验开销（具体收益取决于任务与算力配置）。

3) 方案优势

• 效率：相比分子动力学（MD）等传统模拟路径，生成式采样在单 GPU 上即可实现更高通量的结构集合生成与筛选。
• 精度：在部分场景中，预测结果可为实验提供有价值的先验（实际精度与体系、输入与参数设置有关）。
• 可扩展性：可在 Azure（例如 Azure Container Apps / Azure AI Foundry 等）上部署，结合企业级算力做更大规模并行设计与评估。
• 应用场景：蛋白质工程、药物发现、抗体优化、合成生物学等。

Demo 场景

• 先用 Dayhoff 模型生成一组候选蛋白序列（Gradio Web）
• 可选用 BioEmu 对生成序列做采样/可运行性验证，产出 topology.pdb / samples.xtc
• 在网页端用 3Dmol.js 预览 BioEmu 结构集合并播放（multi-model PDB 预览）

模型说明

• microsoft/Dayhoff-3b-GR-HM-c：用于蛋白序列生成的 Hugging Face 模型（按提示词生成氨基酸序列）
• bioemu-v1.x（BioEmu）：用于对序列进行结构集合（ensemble）采样/验证，并输出可供可视化的 topology.pdb / samples.xtc

演示截图

1. 蛋白质序列生成（Dayhoff）：基于设计目标/提示词，批量生成候选氨基酸序列，用于后续结构与可稳定性筛选。

2. 序列验证与结构采样（BioEmu）：对候选序列进行结构集合（ensemble）采样与稳定性相关信号评估，输出 topology.pdb / samples.xtc 等可复用工件。

3. 结构可视化与轨迹播放（3Dmol.js）：在浏览器端加载多构象结构集合，支持 frame/stride 控制与播放，用于直观观察构象差异与动态变化。

---

说明：本仓库也保留了 Azure GPU VM（Blackwell / sm_120）的运行方式。Blackwell 通常需要 PyTorch nightly + CUDA 12.8（cu128）。

Azure Container Apps（Sweden Central, Serverless GPU T4）部署

本仓库的 dayhoff_demo/app.py 已包含两个模型的 demo 流程：

• microsoft/Dayhoff-3b-GR-HM-c：生成蛋白序列（Gradio Web）
• microsoft/bioemu：可选验证（BioEmu sampling + 3Dmol.js 预览）

你可以把该 demo 直接部署到 Azure Container Apps（Sweden Central），并使用 Serverless GPU T4（workload profile：Consumption-GPU-NC8as-T4）。

前置条件

• 先申请 Container Apps serverless GPU 配额（T4）。没有配额会创建失败或无法调度 GPU。
• 本地安装并登录 Azure CLI：az login
• 安装/升级 Container Apps 扩展：az extension add -n containerapp --upgrade

1）构建并推送镜像到 ACR

建议把镜像放 ACR（有助于降低 GPU 冷启动）。

az account set -s <SUBSCRIPTION_ID>
az group create -n rg-proteinai-aca -l swedencentral

az acr create -g rg-proteinai-aca -n <ACR_NAME_UNIQUE> --sku Standard

# 直接使用 ACR build
az acr build -g rg-proteinai-aca -r <ACR_NAME_UNIQUE> \
	-t proteinai-demo:latest \
	-f dayhoff_demo/Dockerfile \
	.

镜像地址形如：<ACR_NAME_UNIQUE>.azurecr.io/proteinai-demo:latest

2）用 Bicep 部署 Container Apps（含 GPU workload profile）

本仓库已提供 infra/main.bicep 与参数文件 infra/main.bicepparam。

1. 编辑参数文件：把 image 改为你的 ACR 镜像；如需要 Hugging Face 权限，填 hfToken（即 HF_TOKEN）。

2. 部署：

az deployment group create -g rg-proteinai-aca -f infra/main.bicep -p infra/main.bicepparam

3. 打开输出的 containerAppUrl 访问 Gradio。

更详细的步骤见 .azure/plan.copilotmd。

目录约定（VM）

推荐把项目放到数据盘，避免系统盘写满：

• 项目：/mnt/data/dayhoff_demo
• Hugging Face 缓存：/mnt/data/azureuser_cache/huggingface
• 临时目录：/mnt/data/tmp
• BioEmu 输出：/mnt/data/bioemu_runs
• BioEmu/ColabFold：/mnt/data/bioemu_colabfold

systemd unit 已按上述目录写好环境变量。

1）拷贝到 VM

本地机器执行：

scp -i ~/.ssh/rtx6000key -r dayhoff_demo azureuser@<public-ip>:~/

登录 VM：

ssh -i ~/.ssh/rtx6000key azureuser@<public-ip>

把目录移动到数据盘（推荐）：

sudo mkdir -p /mnt/data
sudo chown -R $USER:$USER /mnt/data
mv ~/dayhoff_demo /mnt/data/dayhoff_demo

2）创建 venv + 安装依赖

cd /mnt/data/dayhoff_demo
python3 -m venv .venv
source .venv/bin/activate
python -m pip install -U pip

安装 PyTorch（Blackwell / sm_120）

如果你看到类似 no kernel image is available for execution on the device，说明当前 torch wheel 不支持 Blackwell。

先确认驱动/CUDA：

nvidia-smi

Blackwell 推荐（nightly, CUDA 12.8）：

pip install --no-cache-dir --pre --upgrade --index-url https://download.pytorch.org/whl/nightly/cu128 torch

然后安装剩余依赖：

pip install -r requirements.txt

3）运行 CLI demo（可选）

cd /mnt/data/dayhoff_demo
source .venv/bin/activate
python demo.py --max-length 50 --num-samples 1

4）运行 Web demo（Gradio）

cd /mnt/data/dayhoff_demo
source .venv/bin/activate
python app.py --host 0.0.0.0 --port 7860

浏览器访问：

• 本机 SSH 端口转发（推荐）：

ssh -i ~/.ssh/rtx6000key -L 7860:127.0.0.1:7860 azureuser@<public-ip>

打开 http://127.0.0.1:7860

• 公网访问：确保 VM 防火墙（如 ufw）以及 Azure NSG 都放行 TCP 7860，然后访问：

http://<public-ip>:7860

5）systemd 常驻

cd /mnt/data/dayhoff_demo
bash systemd/install.sh

查看状态/日志：

sudo systemctl status --no-pager dayhoff-gradio
sudo journalctl -u dayhoff-gradio -n 200 --no-pager

6）BioEmu 验证（可选）

UI 里先生成序列，然后点击 Validate with BioEmu。

建议把 ColabFold 相关目录放到数据盘：

export BIOEMU_COLABFOLD_DIR=/mnt/data/bioemu_colabfold

说明：

• 第一次运行可能会下载较多权重/环境，耗时较长
• 输出目录默认在 /mnt/data/bioemu_runs，日志中会打印 output_dir: ...
• bioemu 为 Linux-only：requirements.txt 使用了 environment marker，macOS 安装不会失败

7）BioEmu 可视化（网页播放 + 下载）

在 UI 的 BioEmu visualization (web) 区域：

1. 从 BioEmu validation log 里复制 output_dir（形如 /mnt/data/bioemu_runs/bioemu_...）
2. 粘贴到 BioEmu output_dir
3. 设置 Preview max frames / Frame stride
4. 点击 Render web preview

你会看到：

• “Visualization log” 包含 trajectory_frames、preview_frames、embed_models 等信息
• 3D 预览区：可拖动 Frame slider，或 Play/Stop 播放
• “Download files” 可下载 topology.pdb / samples.xtc / 预览用 trajectory_preview_*.pdb

常见问题

• Hugging Face 下载受限：必要时设置 HF_TOKEN（仅当模型需要权限）
• BioEmu 首次很慢：属正常现象，主要是模型/环境首次下载
• Frame 显示 0/0 或 Play 无反应：优先看 “Visualization log” 是否 embed_models > 1；若有多帧但 UI 不更新，尝试硬刷新页面（Ctrl/Cmd+Shift+R）后重试