生物大模型为何仍缺一块关键“拼图”？

近年来，基础大模型开始在生命科学与药物研发领域崭露头角。从分子生成、蛋白质设计，到预测分子与蛋白的相互作用，AI正助力研究者更快地解读复杂的生命系统。然而，生物世界从来不是孤立运作的——它由多种信息模态交织而成。

一个分子，可以表示为SMILES或SELFIES序列，也能通过三维构象来描述，甚至还出现在论文、专利或数据库的自然语言描述中；一个蛋白质呢？既有氨基酸序列，也有折叠后的三维结构，还关联着功能、疾病、通路和大量实验背景。更关键的是，真实的生物任务很少只关注“单个实体”——分子与蛋白如何结合、蛋白与蛋白如何互动，才是问题的核心。

可目前的生物基础模型，大多只能覆盖其中一部分。有的擅长处理序列和文本，但缺乏显式的结构理解能力；有的能搞定蛋白结构，却只盯着单一实体；还有一些系统，依赖外部编码器、适配器或专用输出头来拼凑，结果是“能读某个模态，却不能直接原生生成该模态”。

打个比方：现有的大模型就像一支各司其职的专家团队——有人懂序列，有人懂结构，还有人懂文本；但他们之间需要翻译官（适配器/编码器）才能协作。BioMatrix想做的事是：让一个人学会所有技能，不再需要翻译。

为了补上这块拼图，研究团队提出了BioMatrix——一个面向分子与蛋白的统一多模态生物基础模型。它的思路很直接：把分子序列、分子结构、蛋白序列、蛋白结构和自然语言，全部映射到同一个离散token空间里。这样一来，只用一套decoder-only架构，就能同时搞定理解和生成。这标志着生物大模型正在从“多组件拼接”走向“原生统一建模”。

BioMatrix 统一多模态 Tokenization

一句话概括BioMatrix的核心：把分子、蛋白和文本放进同一个“模态矩阵”里，让模型用同一种语言来理解和生成生命科学对象。

具体怎么做？通过统一的多模态tokenization，它将以下五类信息映射到共享的离散词表中：

• 分子1D序列：支持SMILES和SELFIES两种表示；
• 分子3D结构：用改进的MolStrucTok把三维构象离散化；
• 蛋白1D序列：直接用氨基酸序列token；
• 蛋白3D结构：通过GCP-VQVAE将蛋白结构编码为离散的结构token；
• 自然语言文本：保留语言模型原有的文本词表，用来承载科学描述、任务指令和背景知识。

在这个框架下，过去那些看起来完全不同的任务——比如分子描述生成、文本条件分子设计、蛋白折叠、逆折叠、蛋白序列与结构联合生成、分子-蛋白亲和力预测——全都可以统一成同一种形式：给定一段由不同模态token组成的输入，让模型继续生成目标模态的token。

这意味着BioMatrix不需要外部编码器、投影适配器或任务专用的输出头。它就像通用语言模型生成文本一样，原生地处理分子、蛋白、结构和语言之间的转换与推理。

从“单模态专家”到“多模态通才”

过去的生物AI模型，各有所长：有的专攻蛋白结构，有的专注分子生成，还有的擅长理解生物医学文本。但真实的科研问题，更像一个跨学科项目——需要同时读懂分子结构、蛋白结构、实验文本和相互作用关系。

BioMatrix试图把这些能力塞进一个统一模型里。它的目标不是在某一个任务上定制一个专用系统，而是构建一个可迁移、可扩展的生物基础模型底座，让同一个模型能覆盖更广泛的生命科学任务。

相比BioT5系列那种多模块架构，BioMatrix直接迈向原生统一：所有模态共享同一套token空间和单一decoder，不再需要外部编码器或适配器来当“桥梁”。

具体实现上，BioMatrix基于Qwen3-1.7B和Qwen3-4B构建了两个规模的模型，并在大约304.4B tokens的大规模多模态语料上进行了继续预训练。这个语料覆盖了四类核心数据：

• 通用与科学文本；
• 分子相关数据（序列、结构、文本视图）；
• 蛋白相关数据（序列、结构、功能描述）；
• 跨实体与交错数据（分子-蛋白相互作用、蛋白-蛋白相互作用，以及生物实体与科学文本交织的数据）。

通过这样的训练，模型不仅学会了单个实体的表示，也学到了不同模态、不同实体之间的对应关系。

指令微调：覆盖80个生物下游任务

为了验证BioMatrix是否真的具备统一建模能力，研究团队构建了一个覆盖面很广的指令微调与评测体系，涵盖80个下游任务、6大任务类别。这些任务横跨三类实体范围：

• 分子任务：包括分子描述生成、文本条件分子设计、分子性质预测、分子构象生成等；
• 蛋白任务：包括蛋白折叠、逆折叠、蛋白功能注释、蛋白序列-结构联合生成等；
• 分子-蛋白 / 蛋白-蛋白交互任务：包括分子-蛋白亲和力预测、蛋白-蛋白结合界面预测、跨实体相互作用建模等。

同时，每类任务还进一步覆盖了1D序列与3D结构两种模态层级。

这套任务体系不光是考模型“会不会做题”，更考察它能否在序列、结构、文本和跨实体关系之间自由切换。

结果突出：一个统一模型，在77/80个任务上达到领先或竞争水平

实验结果表明，BioMatrix在广泛的生物任务上展现出了很强的通用能力。在80个评测任务中，BioMatrix在77个任务上达到了SOTA或具备竞争力的表现——这说明，一个原生多模态的通才模型，完全可以在大量任务上匹配甚至超越那些专用模型。

更值得注意的是，BioMatrix的优势尤其体现在那些真正需要“统一建模”的任务上，比如：

• 文本条件分子生成：模型得把自然语言里的设计意图转化成分子表示；
• 属性条件分子构象生成：模型需要同时理解分子结构和目标性质；
• 蛋白序列-结构联合生成：模型得在序列和三维结构之间建立起一致关系；
• 结构驱动的分子-蛋白亲和力预测：模型需要同时处理小分子结构、蛋白结构和跨实体相互作用。

这些结果说明，BioMatrix的提升不只来自更大的模型规模，更关键的是它那套统一token空间和原生多模态建模方式。

结论与未来展望

BioMatrix提出了一条通向统一生物基础模型的新路径：不是为每个任务构造一个专用架构，而是把分子、蛋白、结构和语言都纳入同一个token空间，让模型在统一的生成式框架下学习生命科学对象之间的关系。想象一下，在药物发现中，研究者可以用自然语言描述目标性质，然后模型直接生成候选分子及其3D构象，同时预测它与靶点蛋白的亲和力——所有这些，都在一个模型内完成，不需要串联多个工具。

当然，BioMatrix还有进一步改进的空间。比如，当前的分子3D结构与蛋白3D结构仍然在使用不同的结构tokenizer，还不能完全原生地表达小分子与蛋白口袋之间的相对空间位姿；模型目前主要覆盖小分子和蛋白，还没有扩展到DNA、RNA、糖类、脂质等更多生物实体。与此同时，如何在高度异构、数据不平衡的生物任务中训练出一个真正全任务统一的SFT模型，也仍然值得深入探索。

但话说回来，BioMatrix已经迈出了关键一步：它证明了一个统一的、原生多模态的生物大模型，可以在广泛的任务上接近甚至超越那些专用模型。对于AI4Science、药物发现和蛋白工程来说，这无疑打开了新的想象空间。

论文：https://arxiv.org/abs/2606.22138
项目：https://github.com/QizhiPei/biomatrix
模型与数据：https://huggingface.co/collections/QizhiPei/biomatrix

参考资料
[1] Pei, Qizhi, et al. "BioMatrix: Towards a Comprehensive Biological Foundation Model Spanning the Modality Matrix of Sequences, Structures, and Language." arXiv preprint arXiv:2606.22138 (2026).
[2] Gao, Kaiyuan, et al. "Tokenizing 3d molecule structure with quantized spherical coordinates." Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V. 1. 2026.
[3] Pourmirzaei, Mahdi, et al. "GCP-VQVAE: A Geometry-Complete Language for Protein 3D Structure." NeurIPS 2025 AI for Science Workshop.
[4] Pei, Qizhi, et al. "Biot5: Enriching cross-modal integration in biology with chemical knowledge and natural language associations." Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing. 2023.
[5] Pei, Qizhi, et al. "Biot5 : Towards generalized biological understanding with iupac integration and multi-task tuning." Findings of the Association for Computational Linguistics: ACL 2024. 2024.
[6] Yang, An, et al. "Qwen3 technical report." arXiv preprint arXiv:2505.09388 (2025).