新药发现、疫苗设计、精准医疗大模型 PaddleHelix（中文名“螺旋桨”）是百度基于飞桨（PaddlePaddle）深度学习框架开源的**生物计算平台**，把 AI 能力打包成一套“即插即用”的工-编程阁

PaddleHelix（中文名“螺旋桨”）是百度基于飞桨（PaddlePaddle）深度学习框架开源的生物计算平台，把 AI 能力打包成一套“即插即用”的工具集，主要服务新药发现、疫苗设计、精准医疗三大场景。

一句话理解：
“做生物医药领域的 AI 基建，让不会写算法的人也能 5 行代码跑蛋白结构预测或分子生成。”

🔍 核心能力（9 大模型工具）

模块	典型任务	代表模型 / 算法
1. 蛋白结构预测	单序列、复合物、DNA-蛋白-小分子共折叠	HelixFold3（精度对标 AlphaFold3）
2. 分子属性预测	ADMET、溶解度、毒性	HelixGEM-2（OGB 榜单第一）
3. 药物-靶点相互作用 DTI	亲和力打分、虚拟筛选	GraphDTA、MolTrans
4. 分子生成	全新骨架、类药性、可合成性	MolGen、HelixGEM
5. RNA 结构与设计	二级结构预测、mRNA 疫苗序列优化	LinearFold、LinearPartition（线性时间，比传统快数百倍）
6. 蛋白-蛋白相互作用 PPI	结合位点、亲和力	HelixPPI
7. 药物-药物协同 DDS	联合用药效果预测	HelixDDS
8. 化合物表征	大规模预训练、迁移学习	Compound-BERT
9. 蛋白表征	序列到功能端到端嵌入	Protein-BERT

🛠 技术亮点

预训练+微调范式
先在上亿分子、百万蛋白序列上做自监督预训练，再在小样本下游任务微调，解决生物数据稀缺问题。
几何感知图神经网络
把原子当成节点、化学键当边，让模型自动学习 3D 构象信息，比传统指纹描述符更准。
“单机+API”双模式
- 开源代码：GitHub 直接 clone 就能跑，支持 CPU/GPU。
- 在线 API：不会装环境也能调用 HelixFold3 结构预测服务（非商用免费，商用按量计费）。
速度优势
LinearFold 预测 RNA 二级结构线性时间，长序列比传统动态规划快 100–1000 倍。

🧪 应用场景速览

新药研发：虚拟筛选 → 分子生成 → ADMET 预测 → 临床前候选化合物，全程 AI 加速。
疫苗设计：mRNA 疫苗序列优化（LinearDesign），同时优化稳定性与密码子适应指数。
精准医疗：根据患者突变谱，预测药物-药物协同，制定个性化联合方案。

📦 快速体验（5 分钟上手）

# 1. 装飞桨 + PaddleHelixpipinstallpaddlepaddle-gpugitclone https://github.com/PaddlePaddle/PaddleHelix.git# 2. 跑蛋白结构预测（单序列版，无需 MSA）cdPaddleHelix python scripts/helixfold_single.py --seq"MKKLV"--out_dir ./result

输出：.pdb三维坐标文件，可直接用 PyMOL 可视化。

⚠️ 商用注意

HelixFold3 等部分模型采用CC BY-NC-SA 4.0协议，禁止直接商用；若需商业用途，百度提供单独 API 授权，需按量付费。

✅ 一句话总结

PaddleHelix =“AI for Bio”全家桶：
把 AlphaFold 级别的结构预测、OGB 榜首的分子属性预测、线性时间 RNA 设计等能力，打包成开源代码 + 在线 API，让生物学家 5 分钟用上最前沿的 AI 模型。

与 PaddleHelix 同场竞技、功能“撞车”的国内外生物计算平台/模型，2024-2025 年集中爆发，可按“结构预测、分子生成、亲和力预测、综合平台”四条赛道对号入座（全部开源或部分开源）：

一、蛋白-核酸-配体复合物结构预测（AlphaFold3-like）

名称	亮点	开源程度	相对 AF3 差距	备注
Boltz-1	30-60 s 出一条复合物结构；MIT+DoE 背书	完全开源（含权重）	精度持平；抗体对接略逊	已集成 Recursion 管线，可商用
Boltz-2	新增“结合亲和力”输出；20 s 完成；Pearson r=0.62（OpenFE 基准）	推理代码已发，训练脚本待放	亲和力预测速度↑1000×	与 Recursion 共建，支持“物理提示”微调
OpenFold3	首个 AF3 全栈复现；RNA 预测略超 AF3；裁剪策略保留 RNA 上下文	全开源（代码+权重+数据管道）	抗体-抗原仍落后；新配体稍弱	联盟成员含 Tamarind Bio，可商用
Chai-1	专精抗体-抗原对接；结合位点定位精度↑	模型权重可下载，代码部分开源	抗体场景接近 AF3；通用复合物稍逊	适合纳米抗体/IG 设计

二、分子生成 & 属性预测（PaddleHelix-GEM 对应）

名称	亮点	开源程度	性能对标
GEM-2（PaddleHelix 自产）	OGB 分子性质榜第一；支持 29 种 ADMET 端点	完全开源	已集成到 PaddleHelix
MolGen（Helix 组件）	骨架跃迁+可合成性约束；支持类药 QED 过滤	完全开源	与 GEM-2 无缝衔接
Boltz-2（生成模式）	Structure-based de-novo ligand design 测试中	即将释出脚本	尚未公开 benchmark
AlphaRED	AF2/AF3 结构 + Rosetta 物理打分混合；改善对接姿势	代码开源	适合后期精修

三、结合亲和力快速预测（替代 FEP+）

名称	速度 & 精度	开源	备注
Boltz-2	20 s/复合物；Pearson r=0.62 vs OpenFE	推理已开源	1000× 快于传统 FEP
OpenFE（开源 FEP）	物理精度高，但 1-2 h/复合物	完全开源	可做 Boltz-2 对照

四、综合生物计算平台（PaddleHelix-like）

名称	功能覆盖	开源	商业授权
PaddleHelix	结构+属性+生成+RNA+亲和力一站式	全开源	非商用免费，商用需百度授权
Neurosnap	在线 API 集成 Boltz-1/2、OpenFold3、Chai-1；零安装	部分模型开源	按量计费，可商用
ColabFold	AF2/AF3 快速推理；MMseqs2 加速 MSA	开源	适合个人研究

五、一句话速选指南

想本地跑、完全免费、复合物预测→ Boltz-1 / OpenFold3
要同时预测“结构+亲和力”且速度逆天→ Boltz-2
专做抗体、纳米抗体→ Chai-1
RNA 结构/疫苗设计→ OpenFold3（RNA 精度↑）或 PaddleHelix LinearFold
分子生成+ADMET 端到端→ PaddleHelix GEM-2 / MolGen
零安装、在线 API、可商用→ Neurosnap 平台（集成 Boltz & OpenFold3）

以上模型均 2024-2025 年发布，社区活跃，可无缝替换 PaddleHelix 的对应模块；根据任务选“专才”，比“通才”往往更快、更准。

维度	PaddleHelix（GEM-2/MolGen）	DrugGen	差异一句话
技术路线	几何图神经网络+自监督预训练	GPT-2 大语言模型+SFT+PPO 强化学习	Helix 用“图”，DrugGen 用“语言”
输入	靶点 3D 结构或序列+药效团约束	仅蛋白质序列（或 UniProt ID）	DrugGen 无需结构，门槛最低
输出	3D 构象+多种理化/ADMET 终点	100% 有效 SMILES+预测亲和力	Helix 给“成药性报告”，DrugGen 给“化学式”
亲和力精度	OGB 榜居首（回归误差 <0.02 log 单位）	PLAPT 预测中位数 7.22 vs DrugGPT 5.81，提升 24%	二者均未做 FEP 级别精修，相当
化学有效性	依赖 RDKit 规则，>99%	内置定制验证器，100%	DrugGen 略高
新颖性	可控（可调节相似度阈值）	相对 DrugBank 新颖性 41.9%，低于 DrugGPT 66.8%（因继承已批准药物特征）	Helix 更灵活
速度	单次生成数千分子/分钟	批量 10-100 个/次，秒级	Helix 通量高，DrugGen 单条快
数据依赖	需大规模分子库预训练（千万级）	仅用 9 398 条“已批准药物-靶点”对即可微调	DrugGen 小数据友好
商用授权	非商用免费，商用需百度授权	论文/代码开源，未明确限制	目前 DrugGen 更宽松
局限	需要靶点结构；对序列-only 新靶点束手无策	无法指定结合口袋；ACE 多位点靶点表现下降	互补——“结构 vs 序列”