Китайский ответ AlphaFold 3: что такое Protenix-v1

ByteDance, компания за TikTok, выпустила в открытый доступ Protenix-v1 - модель для предсказания биомолекулярных структур. На бумаге она обещает результаты на уровне AlphaFold 3 от DeepMind, но без необходимости покупать подписку или арендовать облачные мощности.

Прямо сейчас, в феврале 2026, это самый актуальный open-source инструмент в этой нише. Разработчики утверждают, что их архитектура EvoFormer-2.0 обходит ограничения предыдущих подходов и работает на обычном железе (ну, почти обычном - все-таки нужна видеокарта с 16+ ГБ VRAM).

Важный нюанс на 13.02.2026: Protenix-v1 использует архитектуру, отличную от AlphaFold 3. Если DeepMind делает ставку на диффузионные модели, то ByteDance пошла путем гибридных трансформеров с вниманием к пространственной геометрии. Это не клон, а альтернативная реализация.

Что умеет Protenix-v1 (и чего не умеет)

Модель предсказывает структуры белков, комплексов белок-лиганд, РНК и ДНК. В отличие от AlphaFold 2, который работал только с белками, здесь сразу мультимодальность. Теоретически можно смоделировать, как лекарство свяжется с мишенью или как сложится рибозим.

Но есть ограничения. Protenix-v1 не умеет в дизайн белков с нуля - для этого нужно смотреть в сторону PLAID от Insilico Medicine. И не ждите предсказания динамики - только статические структуры.

Функция	Protenix-v1	AlphaFold 3
Белки	✓	✓
РНК/ДНК	✓	✓
Лиганды	✓ (ограничено)	✓
Требования к VRAM	16-24 ГБ	Cloud-only
Локальный запуск	Да	Нет

Железные требования: готовьте видеокарты

Здесь начинается самое интересное. Производители обещают работу на RTX 4090, но реальность жестче. Для белков до 500 аминокислот хватит 16 ГБ VRAM. Для сложных комплексов или длинных последовательностей - минимум 24 ГБ, а лучше 48 ГБ.

Если у вас нет такой карты, вариантов два: арендовать облачный инстанс с A100/H100 или использовать оптимизированные версии через ONNX Runtime с квантованием. Второй путь уменьшает требования до 8-12 ГБ, но теряет в точности.

Внимание: официальный репозиторий требует CUDA 12.4 и PyTorch 2.5. Если у вас старые драйверы, обновите их до актуальных версий на февраль 2026 года.

Пошаговый запуск: от клонирования до предсказания

1Подготовка окружения

Сначала клонируем репозиторий и ставим зависимости. Разработчики используют Poetry для управления пакетами - это плюс для воспроизводимости, но минус для тех, кто привык к pip.

git clone https://github.com/bytedance/protenix-v1.git
cd protenix-v1
poetry install --with cuda12

Если Poetry не установлен, придется ставить через pipx или систему пакетов. На Ubuntu:

curl -sSL https://install.python-poetry.org | python3 -
export PATH="$HOME/.local/bin:$PATH"

2Загрузка весов и данных

Веса модели весят около 8 ГБ. Есть два варианта: полная версия и квантованная для экономии памяти. Для большинства задач хватит квантованной.

# Полная версия (рекомендуется для исследований)
wget https://storage.bytedance.com/protenix/v1.0/full_weights.pth

# Квантованная версия для ограниченных ресурсов
wget https://storage.bytedance.com/protenix/v1.0/quantized_weights.pth

Параллельно качаем базу данных MSA (multiple sequence alignment). Это самая тяжелая часть - около 500 ГБ. Можно ограничиться мини-версией на 50 ГБ для тестирования.

3Конфигурация и первый запуск

Создаем конфигурационный файл. Здесь определяем, какие компоненты модели использовать и как оптимизировать память.

# config.yaml
model:
  weights_path: "./quantized_weights.pth"
  use_esmfold_msa: true  # Использовать предвычисленные MSA
  max_sequence_length: 1024
  batch_size: 1

data:
  msa_database_path: "./msa_db/"
  templates_path: "./templates/"

inference:
  device: "cuda:0"
  mixed_precision: true  # FP16 для экономии памяти
  num_workers: 4

Теперь запускаем предсказание для тестовой последовательности:

poetry run python predict.py \
  --sequence "MKTVRQERLKSIVRILERSKEPVSGAQLAEELSVSRQVIVQDIAYLRSLGYNIVATPRGYVLAGG" \
  --config config.yaml \
  --output ./results/prediction.pdb

💡

Если скрипт падает с ошибкой CUDA out of memory, уменьшайте max_sequence_length в конфиге. Или используйте gradient checkpointing через флаг --checkpoint.

Сравнение с альтернативами: кому что подходит

Protenix-v1 - не единственный игрок. Есть AlphaFold 3 через Google Cloud (дорого), RoseTTAFold (устаревает), и локальные решения вроде OpenFold.

Главное преимущество ByteDance - open-source. Можно модифицировать код, дообучать на своих данных, интегрировать в пайплайны. Для коммерческих исследований это критично.

Если нужен дизайн белков с нуля, смотрите на PLAID. Если задача - анализ геномных данных, возможно, подойдет AlphaGenome.

Для агентских рабочих процессов с ИИ, где нужны маленькие, но умные модели, есть DeepBrainz-R1. Но это совсем другая история.

Типичные ошибки при запуске

Новички часто наступают на одни и те же грабли. Вот топ-3 проблемы:

Не хватает памяти для MSA. Решение: используйте флаг --use_precomputed_msa и скачайте готовые выравнивания
CUDA версия не совпадает с PyTorch. Проверьте совместимость: PyTorch 2.5 требует CUDA 12.4
Медленная загрузка весов. Модель инициализируется 2-3 минуты - это нормально, не прерывайте процесс

Если все совсем плохо, попробуйте Docker-образ из репозитория. Он содержит все зависимости, но весит 20+ ГБ.

Интеграция в научные пайплайны

Protenix-v1 - не изолированный инструмент. Его можно встроить в существующие рабочие процессы биоинформатики.

Пример: автоматическое предсказание структур для скрининга лекарств. Написали простой скрипт, который берет последовательности из базы, запускает Protenix, анализирует результаты PyMol или ChimeraX.

Или вот вариант для фермерских хозяйств: комбинация с AlphaFold для жароустойчивых культур. Предсказываем структуры белков растений, которые могут выдерживать высокие температуры.

Кому подойдет Protenix-v1 (а кому нет)

Идеальная аудитория:

Академические исследователи с доступом к GPU-кластерам
Фармкомпании, которые хотят избежать зависимости от Google/DeepMind
Биоинформатики, которым нужен контроль над кодом
Студенты, изучающие структурную биологию

Не подойдет:

Тем, у кого нет видеокарты с 16+ ГБ VRAM
Кому нужны предсказания в реальном времени (модель работает минуты/часы)
Кто ищет готовый веб-интерфейс без программирования
Для задач дизайна белков с нуля

Что дальше: перспективы развития

Сообщество уже форкает репозиторий и добавляет фичи. На февраль 2026 видны тренды:

Квантование для запуска на потребительских картах (RTX 4070 и ниже)
Интеграция с облачными платформами (AWS, GCP, Azure)
Поддержка большего разнообразия лигандов и модификаций
API-интерфейсы для интеграции в другие инструменты

ByteDance обещает выпустить Protenix-v2 в конце 2026 с поддержкой динамического моделирования. Если это правда, то конкуренция с AlphaFold станет серьезной.

Пока же Protenix-v1 - лучший open-source вариант для предсказания структур. Не идеальный, но работающий. И главное - свой, который можно пощупать, поковырять и заставить делать то, что нужно именно вам.

Как говорится, лучше иметь китайскую модель в руках, чем американскую в облаке. Особенно когда облако стоит $5000 в месяц.

Protenix-v1 от ByteDance: как запустить модель для предсказания биомолекулярных структур