PaddleHelix 教程：国产 AI 生物计算平台入门

PaddleHelix 是百度基于 PaddlePaddle 构建的生物计算开源框架，覆盖分子表示、性质预测、蛋白结构、药物-靶点相互作用等方向。对国内团队而言，它的中文文档与本地化支持是实际的优势。

主要模块

模块	内容	对应
分子表示预训练	GEM 等图预训练模型	见 142《Uni-Mol 论文精读》
分子性质预测	ADMET、活性	见 156《AI ADMET 预测模型》
蛋白结构预测	HelixFold 系列	见 112《AlphaFold2 论文精读》
药物-靶点相互作用	DTI 模型	见 157《AI DTI 预测模型》
分子生成	生成模型	见 158《AI 分子生成模型》
RNA 结构	RNA 二级结构预测	—
疫苗设计	mRNA 序列优化	—

GEM：几何增强的分子表示

# PaddleHelix 中较有特色的工作
#
# 核心思想：
#   在分子图的基础上，显式加入【几何信息】
#     - 键长
#     - 键角
#     - 二面角
#   作为图中的额外节点/边特征
#
# 与纯拓扑 GNN 的差异（见 159）：
#   纯拓扑：只知道「哪些原子相连」
#   GEM：   还知道「它们在空间中的相对位置」
#
# 预训练任务：
#   - 预测键长、键角（几何信息的自监督）
#   - 预测原子距离矩阵
#   → 【与 MolBERT 的思路一致（见 146）】：
#     用可计算的量作为免费的监督信号
#
# 【评估建议】：
#   与 Uni-Mol（见 142）、Chemprop（见 131）
#   在同一数据、同一划分下比较
#   → 【不同工作报告的数字不可直接比较】
#     因为划分方式、超参数预算可能不同

HelixFold 系列

• HelixFold：AlphaFold2 的 PaddlePaddle 复现，重点在训练效率优化；
• HelixFold-Single：不需要 MSA 的单序列预测，用蛋白语言模型表示替代（与 ESMFold 思路一致，见 116《ESMFold 论文精读》）；
• HelixFold3：AF3 级的复合物预测能力；
• 选型考量：
  • 如果只是要预测结构，ColabFold（见 118《ColabFold》）或 Boltz（见 020《Boltz 教程》）通常更成熟、社区更大；
  • HelixFold 的价值在于国内可访问性与 PaddlePaddle 生态的整合；
  • 许可条款使用前应确认。

使用

# 安装（需要先装 PaddlePaddle）
pip install paddlepaddle-gpu    # 或 paddlepaddle（CPU）
pip install pahelix

# 分子性质预测的典型流程
import paddle
from pahelix.model_zoo.gem_model import GeoGNNModel
from pahelix.utils.compound_tools import mol_to_geognn_graph_data_MMFF3d
from rdkit import Chem

# 1) 分子转几何图
mol = Chem.MolFromSmiles("CC(=O)Nc1ccc(O)cc1")
data = mol_to_geognn_graph_data_MMFF3d(mol)
# 【注意】：这一步会生成三维构象（MMFF 优化）
#   → 有随机性，应固定种子

# 2) 加载预训练模型
# model = GeoGNNModel(model_config)
# model.set_state_dict(paddle.load("pretrained.pdparams"))

# 3) 微调做下游任务
# ...

# 【实践提醒】：
#   PaddlePaddle 与 PyTorch 的 API 差异较大
#   → 如果团队已有 PyTorch 技术栈，
#     引入 Paddle 会增加维护成本
#   → 【技术栈的统一性是实际的选型因素】

选型的实际考量

因素	说明
技术栈匹配	已有 PyTorch 栈时，引入 Paddle 增加维护成本
国内可访问性	模型下载与文档访问更快
中文文档	降低团队上手门槛
社区规模	相对 PyTorch 生态较小
方法更新速度	需要评估项目的活跃度
硬件适配	与国产 AI 芯片的适配可能更好
许可	使用前确认当前条款

务实的评估方法

# 【不要只看论文报告的数字】
#
# 正确的评估流程：
#
# 1) 【在自己的数据上比较】
#    同样的数据、同样的划分方式、同样的调优预算
#    对比：
#      - PaddleHelix 的 GEM
#      - Uni-Mol（见 142）
#      - Chemprop（见 131）
#      - 【ECFP + LightGBM 基线】
#
# 2) 【多个随机种子】
#    报告均值 ± 标准差
#    → 提升必须超过 2 倍标准差
#
# 3) 【计入工程成本】
#    - 环境搭建的难度
#    - 与现有流程的集成成本
#    - 团队的学习成本
#    - 长期维护的风险
#
# 4) 【检查活跃度】
#    - GitHub 最近更新时间
#    - issue 的响应情况
#    - 是否有人报告复现问题
#
# 【结论的常见形式】：
#   在多数常规任务上，各框架的差异
#   小于「数据质量」与「评测设计」带来的差异
#   → 【优先投入到数据与评测上】

国产开源生态的意义

• 降低了国内团队的入门门槛：中文文档、本地化的模型下载；
• 提供了技术栈的备选：在供应链考量下有实际价值；
• 推动了社区建设：与 Uni-Mol（见 142《Uni-Mol 论文精读》）等一起构成了国内 AI 制药开源生态；
• 但要客观评估：方法本身的先进性应该用同样的标准衡量——在自己的数据上比较，而非依据宣传；
• 可持续性的考量：开源项目的长期维护是实际风险，选型时应看项目的活跃度与背后的投入。

延伸资源

• PaddleHelix 工具：189《PaddleHelix》；Uni-Mol 教程：022《Uni-Mol 教程》；
• Chemprop：131《Chemprop / D-MPNN 论文精读》；GNN：159《图神经网络 GNN》；ESMFold：116《ESMFold 论文精读》。