编辑推荐：
本研究针对蛋白质语言模型(pLMs)应用中存在的硬件要求高、技术门槛大等问题，开发了开源平台BioCentral。该平台通过模块化架构集成ProtT5、ESM-2等主流pLM，提供嵌入生成、特征预测和模型训练功能。案例研究显示其能高效完成34万+病毒蛋白的跨膜区域预测（TMbed），并成功复现细菌外毒素识别模型（ExoTox，MCC≈0.93）。该工作为生物医学研究者降低了AI技术应用门槛，推动可复现计算生物学发展。
随着人工智能技术在生命科学领域的深入应用，蛋白质语言模型（Protein Language Models, pLMs）已成为解析蛋白质结构与功能的重要工具。这些模型能够将蛋白质序列转化为高维数值向量（称为嵌入，embeddings），为预测蛋白质结构、功能及相互作用提供全新视角。然而，当前pLMs的实际应用面临两大挑战：生成嵌入需要昂贵GPU硬件支持，且模型调用依赖专业计算技能。这种技术壁垒使得许多生物医学研究者难以充分利用最前沿的计算方法，进而造成科研资源分配不均衡。
为解决这一问题，慕尼黑工业大学的Sebastian Franz团队在《Journal of Molecular Biology》上发表研究，推出了开源平台BioCentral。该平台通过模块化架构和标准化接口，整合了多种主流pLMs（如ProtT5、ESM-2），提供嵌入生成、蛋白质特征预测和自定义模型训练功能。研究表明，BioCentral不仅能够高效处理大规模数据集（如34万+病毒蛋白的跨膜区域预测），还可快速复现现有预测方法（如细菌外毒素识别模型ExoTox），显著降低了计算生物学研究的技术门槛。
关键技术方法包括：1) 采用容器化分布式架构，通过ONNX（Open Neural Network Exchange）标准化模型部署，结合NVIDIA Triton推理服务器优化资源分配；2) 构建嵌入缓存模块，基于PostgreSQL数据库存储序列哈希索引，减少重复计算；3) 集成ProtT5-sec（二级结构预测）、TMbed（跨膜区域预测）等10余种预测模型；4) 使用BFVD病毒数据库（351,242个病毒蛋白）和ExoTox数据集（1,069个外毒素+1,308个非毒素）进行案例验证。
服务架构
BioCentral采用微服务架构，各功能模块通过Docker容器独立运行。这种设计解决了传统蛋白质预测工具存在的软件依赖冲突和长期维护难题。通过ONNX格式统一模型接口，平台支持HuggingFace上的多种pLM，并利用嵌入缓存机制将磁盘占用控制在合理范围（每千条序列的ProtT5嵌入约1GB）。
核心模块
嵌入模块支持生成残基级（per-residue）和蛋白级（per-protein）嵌入，并可与可视化工具ProtSpace联动。预测模块集成了涵盖二级结构、结合残基、保守性等10类任务的预测模型（表1），所有模型均转换为ONNX格式确保跨平台一致性。训练模块基于biotrainer框架，用户通过配置文件即可完成嵌入提取、模型训练和评估全流程。
软硬件配置
平台基于Python 3.12和FastAPI框架开发，部署于配备NVIDIA A10 GPU的服务器。提供图形界面（Dart/Flutter开发）和程序化API（支持Python/Dart），满足不同用户需求。
大规模数据集预测：BFVD中的膜蛋白分析
通过TMbed模型对BFVD数据库中345,141条病毒蛋白序列进行跨膜拓扑预测，发现11.6%的蛋白含有预测跨膜区域。进一步分析显示，有包膜病毒的跨膜蛋白比例（19.03%）显著高于无包膜病毒（10.92%），符合生物学预期。尽管TMbed未在病毒序列上训练，但其预测结果与已知生物学特征一致，提示模型具有一定的泛化能力。所有预测结果已整合至TMVisDB数据库，扩展了对病毒膜蛋白的研究资源。
从零训练嵌入模型：复现ExoTox
使用BioCentral训练模块，以ProtT5嵌入的前20个主成分为输入，构建细菌外毒素预测模型。在测试集上达到MCC≈0.93的性能，与原始SVM模型（MCC≈0.94）高度接近，且显著优于BLOSUM62等传统编码方法。该案例证明，研究者无需编写代码即可在数小时内完成模型开发，大幅提升了生物医学机器学习应用效率。
研究结论指出，BioCentral通过标准化、可扩展的架构设计，有效弥合了蛋白质预测方法开发与生物医学应用之间的技术鸿沟。平台支持大规模预测任务和快速模型迭代，为病毒膜蛋白功能探索、毒素识别等场景提供可靠工具。未来工作将聚焦于模型可解释性增强、蛋白质设计功能扩展以及Kubernetes集群部署优化。该平台的开源特性（GPL-3.0协议）和模块化设计，为计算生物学社区共建共享预测模型生态系统奠定了重要基础。
