蛋白质工程正在从「试错筛选」走向「计算预筛选」——在湿实验前用计算方法评估突变对蛋白质功能的影响，从而缩小候选范围、降低实验成本。但蛋白质突变空间巨大、结构与功能关系复杂，如何兼顾预测效率与准确性，一直是该领域的核心挑战。

2025 年 7 月，上海交通大学联合华东理工大学和上海人工智能实验室发布了蛋白质突变效应预测模型 VenusREM，论文发表于 ISMB/ECCB 2025 并被 Bioinformatics 收录，目前在 ProteinGym 替代突变基准测试中排名第一。

VenusREM 的核心思路是「检索增强」。它在蛋白质语言模型的基础上引入检索增强机制（REM），推理时引入多序列比对（MSA）中的同源序列信息作为参考，从同源蛋白质的进化信息中提取保守性与可突变性的先验知识，提升预测精度。

在模型架构上，VenusREM 基于 ProSST 结构感知蛋白质语言模型构建，融合氨基酸序列与三维结构信息，支持氨基酸序列、结构序列或两者结合等多种检索模式，在不同数据条件下均能保持稳定表现。

凭借对序列、结构和进化信息的综合利用，VenusREM 可用于蛋白质工程中的突变体筛选、定向进化实验前的候选方案评估，以及疾病相关致病性突变分析，帮助研究人员更快定位潜在关键突变位点，加速从计算预测到实验验证的转化。

目前，VenusREM 已上线 HyperAI 教程板块，跟随教程即可完成从环境配置、模型部署到突变效应预测与结果可视化的完整流程。用户还可以替换示例序列，将模型直接应用于自己的目标蛋白研究中。⬇️

在线运行：

https://go.hyper.ai/tfNeL

更多在线教程：

https://hyper.ai/notebooks

教程运行

1 、进入 hyper.ai 首页后，选择「教程」页面，或点击「查看更多教程」，选择「VenusREM：基于检索增强的蛋白质突变效应预测」，点击「运行此教程」。

2. 页面跳转后，点击右上角「Clone」，将该教程克隆至自己的容器中。

注：页面右上角支持切换语言，目前提供中文及英文两种语言，本教程文章以英文为例进行步骤展示。

3. 选择「NVIDIA RTX 5090」以及「PyTorch」镜像，点击「Continue job execution（继续执行）」。

4. 等待分配资源，当状态变为「Running（运行中）」后，点击「Open Workspace」进入 Jupyter Workspace 。

效果展示

1. 页面跳转后，点击左侧 README 文件，进入后点击上方 Run（运行）。

2. 待运行完毕后，在教程中即可查看突变效应预测结果与可视化热图，直观展示每个位点的氨基酸替换对蛋白质功能的影响。