Transformers documentation
ESMFold2
该模型于 2026-08-19 贡献至 Hugging Face Transformers。
ESMFold2
概述
ESMFold2 是一款全原子蛋白质结构预测模型。它直接基于氨基酸序列预测三维坐标以及逐残基置信度（pLDDT、PAE、PDE），并以 ESMC 蛋白质语言模型作为其主干网络。该架构结合了采用三维旋转位置嵌入的滑动窗口原子编码器、迭代应用的成对折叠主干、基于扩散的结构头以及置信度头。
模型检查点可在 Hugging Face Hub 上的 biohub/ESMFold2 获取。
使用示例
import torch
from transformers import EsmFold2Model
# The ESMC backbone is bundled in the checkpoint and loaded with the model.
# bf16 is the recommended inference precision.
model = EsmFold2Model.from_pretrained("biohub/ESMFold2", dtype=torch.bfloat16, device_map="auto")
pdb_string = model.infer_protein_as_pdb("MKTAYIAKQRQISFVKSHFSRQLEERLGLIEVQ")
print(pdb_string)infer_protein 会返回原始输出（原子坐标、距离图 logits 和置信度指标），以 EsmFold2Output 的形式提供，供你在需要这些内容而非 PDB 字符串时使用。如果对同一序列多次运行，可能会得到略有不同的预测结果。如果你希望获得完全可复现的结构，请手动设置随机种子。
ESMFold2 每次折叠会生成 config.structure_head.num_diffusion_samples 个结构。infer_protein_as_pdb 会渲染排名最高（pTM 最高）的一个结构；如需选择特定样本，请传入 sample_idx。PDB 文件的 b-factor 列中包含每个残基的 pLDDT，其取值范围与 plddt 输出相同，均为 0-1。
forward 与 fold
结构预测包含两个部分。EsmFold2Model.forward 是第一个部分：它对特征化后的输入执行折叠主干网络，并返回精炼后的成对表示以及距离图，其类型为 EsmFold2TrunkOutput。它不会生成 3D 坐标——ESMFold2 通过迭代去噪获得这些坐标，而该采样循环（包括噪声调度、Kabsch 对齐以及 ODE/SDE 更新）与置信度头调用一起位于 EsmFold2FoldingMixin 中：
| 方法 | 用于 |
|---|---|
infer_protein_as_pdb(sequence) | 一个 PDB 字符串，直接来自氨基酸序列 |
infer_protein(sequence) | 原始的 EsmFold2Output |
fold(**features) | 预特征化输入（infer_protein 所调用的） |
forward(**features) | 仅主干部分——一个直方图和一个成对表示，无需采样 |
调用 fold 或 infer_protein 以获取实际结构。如果只需要 distogram，或者希望自行控制扩散采样器，请使用 forward：fold 会调用一次 forward，然后将其输出传递给 EsmFold2DiffusionModule，后者的 forward 即为单步去噪过程。
使用融合内核实现更快的推理
折叠主干的主要开销在于三角形乘法更新。向 from_pretrained() 传入 use_kernels=True 后，该操作会被替换为通过 kernels 库从 Hub 加载的融合 Triton 内核，且预测结果保持不变。此功能仅适用于推理，且仅限 CUDA；在 CPU 上或未安装该内核时，模型会透明地回退到纯 PyTorch 实现。
请确保在内核化发生时模型位于 CUDA 设备上（例如通过 device_map 指定）。
import torch
from transformers import EsmFold2Model
model = EsmFold2Model.from_pretrained(
"biohub/ESMFold2", dtype=torch.bfloat16, device_map="cuda", use_kernels=True
)
pdb_string = model.infer_protein_as_pdb("MKTAYIAKQRQISFVKSHFSRQLEERLGLIEVQ")EsmFold2Config
class transformers.EsmFold2Config
< source >( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonehidden_size: int | None = 384pairwise_hidden_size: int | None = 256single_inputs_size: int | None = 451pair_transition_intermediate_size: int | None = 1024sliding_window: int | None = 128chunk_size: int | None = 64num_relative_residx_bins: int | None = 32num_relative_chain_bins: int | None = 2num_loops: int | None = 10num_res_types: int | None = 33max_atomic_number: int | None = 128char_vocab_size: int | None = 64max_chars: int | None = 4max_atoms_per_token: int | None = 23atom_feature_dim: int | None = Nonefolding_trunk_num_hidden_layers: int | None = 24parcae_num_coda_layers: int | None = 2atom_encoder: dict | transformers.models.esmfold2.configuration_esmfold2.EsmFold2AtomEncoderConfig | None = Nonestructure_head: dict | transformers.models.esmfold2.configuration_esmfold2.EsmFold2StructureHeadConfig | None = Noneconfidence_head: dict | transformers.models.esmfold2.configuration_esmfold2.EsmFold2ConfidenceHeadConfig | None = Nonemsa_encoder: dict | transformers.models.esmfold2.configuration_esmfold2.EsmFold2MsaEncoderConfig | None = Nonelm_encoder: dict | transformers.models.esmfold2.configuration_esmfold2.EsmFold2LmEncoderConfig | None = Noneesmc_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None )
参数
- hidden_size (
int，可选，默认为 384) — 单表示的宽度。 - pairwise_hidden_size (
int，可选，默认为 256) — 成对表示的宽度。 - single_inputs_size (
int，可选，默认值为 451) — 输入到主干网络和扩散条件中的拼接单输入特征的宽度：atom_encoder.output_dim加上两个残基类型 one-hot 编码以及 profile 标量。 - pair_transition_intermediate_size (
int，可选，默认值为 1024) — 配对流转换的 SwiGLU 宽度。 - sliding_window (
int，可选，默认值为 128) — 原子堆栈注意力的滑动窗口大小（以 token 索引距离表示），指窗口的总宽度，而非半径。 - chunk_size (
int，可选，默认为 64) — 用于内存占用较高的 pair-/MSA-stream 操作的块大小。None表示禁用分块。 - num_relative_residx_bins (
int，可选，默认为 32) — 相对位置编码中相对残基索引的 bin 数量。 - num_relative_chain_bins (
int，可选，默认为 2) — 相对位置编码中相对链索引的 bin 数量。 - num_loops (
int，可选，默认为 10) — 主干细化循环的次数。 - num_res_types (
int，可选，默认为 33) — 残基类型的数量。 - max_atomic_number (
int，可选，默认为 128) — 原子特征中元素 one-hot 编码的大小。 - char_vocab_size (
int, 可选，默认为 64) — 编码原子名称所用的字符词表大小。 - max_chars (
int，可选，默认为 4) — 每个编码原子名称的字符数。 - max_atoms_per_token (
int，可选，默认为 23) — 每个 token 的最大原子数。 - atom_feature_dim (
int，可选) — 原子特征宽度：包括 xyz、电荷和掩码，以及元素和原子名字符的 one-hot 编码。如果未设置，则根据max_atomic_number、char_vocab_size和max_chars推导得出。 - folding_trunk_num_hidden_layers (
int，可选，默认为 24) — 折叠主干中成对更新块的数量。 - parcae_num_coda_layers (
int，可选，默认为 2) — parcae coda 中成对更新块的数量。 - atom_encoder (
EsmFold2AtomEncoderConfig，可选) — 输入嵌入器 SWA 原子编码器的配置。 - structure_head (
EsmFold2StructureHeadConfig，可选) — 扩散结构预测头的配置（包含diffusion_module子配置）。 - confidence_head (
EsmFold2ConfidenceHeadConfig，可选) — 置信度头的配置。 - msa_encoder (
EsmFold2MsaEncoderConfig，可选) — MSA 编码器的配置。 - lm_encoder (
EsmFold2LmEncoderConfig，可选) — 语言模型隐藏状态编码器的配置。 - esmc_config (EsmcConfig，可选) — 用于捆绑的 ESMC 主干网络的配置。
这是用于存储 Esmfold2Model 配置的类。它根据指定的参数实例化 Esmfold2 模型，并定义模型架构。使用默认值实例化配置，将得到与 biohub/ESMFold2 类似的配置。
配置对象继承自 PreTrainedConfig，可用于控制模型输出。有关更多信息，请参阅 PreTrainedConfig 的文档。
检查跨越子配置的宽度关系；每个子配置检查其自身的宽度关系。
EsmFold2PreTrainedModel
class transformers.EsmFold2PreTrainedModel
< source >( config: PreTrainedConfig*inputs**kwargs )
参数
- config (PreTrainedConfig) — 模型配置类，包含模型的所有参数。使用配置文件进行初始化时，不会加载与模型关联的权重，仅加载配置。请查看 from_pretrained() 方法以加载模型权重。
该模型继承自 PreTrainedModel。请查阅父类文档，了解该库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头等）。
该模型也是 PyTorch torch.nn.Module 的子类。 请将其作为常规的 PyTorch Module 使用，有关通用用法和行为的所有事项，请参阅 PyTorch 文档。
EsmFold2Model
class transformers.EsmFold2Model
< source >( config: EsmFold2Config )
参数
- config (EsmFold2Config) — 模型的配置类，包含模型的所有参数。通过配置文件进行初始化时，不会加载与模型关联的权重，仅加载配置。请查看 from_pretrained() 方法以加载模型权重。
ESMFold2 是一款全原子蛋白质结构预测器，内置了 ESMC 蛋白质语言模型主干。这是标准发布的 ESMFold2 架构，其主干是一个线性循环堆叠（内部称为“parcae”）。
该模型继承自 PreTrainedModel。请查阅父类文档，了解该库为所有模型实现的通用方法（例如下载或保存、调整输入嵌入大小、剪枝头等）。
该模型也是 PyTorch torch.nn.Module 的子类。 请将其作为常规的 PyTorch Module 使用，有关通用用法和行为的所有事项，请参阅 PyTorch 文档。
forward
< source >( token_index: Tensorresidue_index: Tensorasym_id: Tensorsym_id: Tensorentity_id: Tensormol_type: Tensorres_type: Tensortoken_bonds: Tensorattention_mask: Tensoratom_inputs: EsmFold2AtomInputsdeletion_mean: typing.Optional[torch.Tensor] = Nonemsa: typing.Optional[torch.Tensor] = Nonehas_deletion: typing.Optional[torch.Tensor] = Nonedeletion_value: typing.Optional[torch.Tensor] = Nonemsa_attention_mask: typing.Optional[torch.Tensor] = Noneinput_ids: typing.Optional[torch.Tensor] = Nonelm_hidden_states: typing.Optional[torch.Tensor] = Nonenum_loops: int | None = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → [~models.esmfold2.modeling_esmfold2.EsmFold2TrunkOutput] or tuple(torch.Tensor)
参数
- token_index（形状为 (batch_size, num_tokens) 的 torch.Tensor）— 完整序列中每个 token 的位置索引；用于相对位置编码。
- residue_index（形状为 (batch_size, num_tokens) 的 torch.Tensor）— 每条链内的残基索引；用于相对位置编码。
- asym_id（形状为 (batch_size, num_tokens) 的 torch.Tensor）— 每个 token 的非对称单元（链）ID。
- sym_id（形状为 (batch_size, num_tokens) 的 torch.Tensor）— 用于区分同源多聚体中相同链的对称拷贝 ID。
- entity_id（形状为 (batch_size, num_tokens) 的 torch.Tensor）— 实体 ID，用于将属于同一分子实体的 token 进行分组。
- mol_type（形状为 (batch_size, num_tokens) 的 torch.Tensor）—
每个 token 的分子类型编码：
0= 蛋白质，1= DNA，2= RNA，3= 非聚合物（配体）。 - res_type（形状为 (batch_size, num_tokens) 的 torch.Tensor）— 每个 token 的残基类型（氨基酸种类）索引。
- token_bonds（形状为 (batch_size, num_tokens, num_tokens, 1) 的 torch.Tensor）— 成对 token 间的共价键特征。
- attention_mask（形状为 (batch_size, num_tokens) 的 torch.Tensor）—
用于标记有效 token（
1）与填充（0）的掩码。输入必须采用右侧填充。 - atom_inputs (~models.esmfold2.modeling_esmfold2.EsmFold2AtomInputs) — 打包的原始参考构象原子张量，包括：位置、原子序数、形式电荷、编码后的原子名称、每个原子的基团 ID、原子填充掩码以及原子到 token 的映射。
- deletion_mean（形状为 (batch_size, num_tokens) 的 torch.Tensor，可选） — 每列的平均 MSA 删除计数。默认值为零（无 MSA）。
- msa (torch.Tensor，形状为 (batch_size, msa_depth, num_tokens)，可选) — MSA 残基类型 token（第 0 行为查询序列）。默认使用单序列 MSA。
- has_deletion (torch.Tensor，形状为 (batch_size, msa_depth, num_tokens)，可选) — 布尔标志，用于标记 MSA 中前面存在缺失（deletion）的位置。
- deletion_value（形状为 (batch_size, msa_depth, num_tokens) 的 torch.Tensor，可选） — 每个位置的 MSA 删除计数。
- msa_attention_mask（torch.Tensor，形状为 (batch_size, msa_depth, num_tokens)，可选） — 用于 MSA 行/列的有效性掩码。
- input_ids (torch.Tensor，形状为 (batch_size, num_tokens)，可选) — 序列的 ESMC 词表 token id。当未直接传入 lm_hidden_states 时，将其输入到内置的 ESMC 主干网络以生成该值；若已提供 lm_hidden_states，则忽略此参数。
- lm_hidden_states (torch.Tensor，形状为 (batch_size, num_tokens, num_esmc_layers + 1, esmc_hidden_size)，可选) — 预计算的 ESMC 主干隐藏状态，包含每个主干层以及嵌入层各一个。提供该参数时，将不会运行主干网络，且 input_ids 将被忽略。
- num_loops (int, 可选) — 主干细化循环的次数。默认值为 config.num_loops。
返回值
[~models.esmfold2.modeling_esmfold2.EsmFold2TrunkOutput] 或 tuple(torch.Tensor)
一个 [~models.esmfold2.modeling_esmfold2.EsmFold2TrunkOutput] 或 torch.Tensor 元组（如果传入了 return_dict=False 或 config.return_dict=False），其包含的元素取决于配置（[EsmFold2Config]）和输入。
运行折叠主干：对输入进行特征化，将其嵌入到成对表示中，经过 num_loops 次回收迭代进行优化，然后读取距离图。这是结构预测的确定性部分；将返回的成对表示转换为 3D 坐标的扩散采样器位于 EsmFold2FoldingMixin 中——调用 [~EsmFold2Model.fold] 或 [~EsmFold2Model.infer_protein] 即可进行端到端预测。
- distogram_logits (torch.Tensor，形状为 (batch_size, num_tokens, num_tokens, distogram_bins)) — 残基对上的预测距离分布 logits。
- pair_states（形状为 (batch_size, num_tokens, num_tokens, pairwise_hidden_size) 的 torch.Tensor）— 主干网络最终的成对表示，以 fp32 格式存储。
- single_inputs（形状为 (batch_size, num_tokens, single_inputs_size) 的 torch.Tensor）— 由输入嵌入器构建的拼接后的单输入特征。
- relative_position_encoding（形状为 (batch_size, num_tokens, num_tokens, pairwise_hidden_size) 的 torch.Tensor）— 相对位置对编码。
- token_bonds_encoding（形状为 (batch_size, num_tokens, num_tokens, pairwise_hidden_size) 的 torch.Tensor）— 嵌入的 token 间共价键特征。
- atom_inputs (~models.esmfold2.modeling_esmfold2.EsmFold2AtomInputs，可选) — 经过特征化的参考构象原子输入，供扩散原子堆栈复用。
折叠
< source >( attention_mask: Tensorasym_id: Tensormol_type: Tensordistogram_atom_idx: Tensornum_diffusion_samples: int | None = Nonenum_sampling_steps: int | None = None**trunk_kwargs )
端到端地从特征化输入预测结构：运行主干网络（EsmFold2Model.forward，其中记录了特征参数），从扩散结构头采样坐标，并使用置信度头对其进行评分。
此处仅列出了采样器和置信度头所需的参数；其余参数会原样转发至主干网络，因此 fold 接受的参数与 forward 相同。
attention_mask (torch.Tensor，形状为 (batch_size, num_tokens))：
用于标记有效 token（1）与填充（0）的掩码。该参数也会转发给 trunk。
asym_id (torch.Tensor，形状为 (batch_size, num_tokens))：
每个 token 的非对称单元（链）ID。该参数也会转发给 trunk。
mol_type (torch.Tensor，形状为 (batch_size, num_tokens))：
每个 token 的分子类型编码：0 = 蛋白质，1 = DNA，2 = RNA，3 = 非聚合物（配体）。该参数也会转发给 trunk。
distogram_atom_idx (torch.Tensor，形状为 (batch_size, num_tokens))：
每个 token 的代表原子（Cβ，甘氨酸为 Cα）的索引。供置信度头使用；trunk 不需要此参数。
num_diffusion_samples (int，可选)：
要采样的并行结构样本数量；置信度头会为每个样本重新运行一次。
默认值为 config.structure_head.num_diffusion_samples。
num_sampling_steps (int，可选)：
扩散采样步数。默认值为 config.structure_head.inference_num_steps。
trunk_kwargs：
其余的特征化输入（包括 num_loops，以及下方打包到 atom_inputs 中的原始逐原子张量），会转发给 [EsmFold2Model.forward]，该函数对这些参数有详细说明。
对 sequence 进行特征化并折叠。forward_kwargs 会传递到 [~EsmFold2Model.fold]。
折叠 sequence 并将预测结果渲染为 PDB 字符串。
sample_idx 用于选择要渲染的扩散样本；默认情况下，选择排名最高的样本。
EsmFold2Output
类 transformers.models.esmfold2.modeling_esmfold2.EsmFold2Output
< source >( distogram_logits: typing.Optional[torch.Tensor] = Nonesample_atom_coords: typing.Optional[torch.Tensor] = Noneplddt_logits: typing.Optional[torch.Tensor] = Noneplddt: typing.Optional[torch.Tensor] = Noneplddt_per_atom: typing.Optional[torch.Tensor] = Noneplddt_ca: typing.Optional[torch.Tensor] = Nonecomplex_plddt: typing.Optional[torch.Tensor] = Nonecomplex_iplddt: typing.Optional[torch.Tensor] = Nonepae_logits: typing.Optional[torch.Tensor] = Nonepae: typing.Optional[torch.Tensor] = Nonepde_logits: typing.Optional[torch.Tensor] = Nonepde: typing.Optional[torch.Tensor] = Noneresolved_logits: typing.Optional[torch.Tensor] = Noneptm: typing.Optional[torch.Tensor] = Noneiptm: typing.Optional[torch.Tensor] = Nonepair_chains_iptm: typing.Optional[torch.Tensor] = None )
参数
- distogram_logits (
torch.Tensor，形状为(batch_size, num_tokens, num_tokens, distogram_bins)) — 残基对上的预测距离分布 logits（与 RNG 无关；不进行扩散采样）。 - sample_atom_coords (
torch.Tensor，形状为(num_diffusion_samples, num_atoms, 3)) — 每个扩散样本预测的全原子笛卡尔坐标。 - plddt_logits (
torch.Tensor，形状为(num_diffusion_samples, num_atoms, num_plddt_bins)) — 每个原子的 pLDDT 分箱 logits。 - plddt (
torch.Tensor，形状为(num_diffusion_samples, num_tokens)) — 每个残基的预测 lDDT 置信度。 - plddt_per_atom (
torch.Tensor，形状为(num_diffusion_samples, num_atoms)) — 每个原子的预测 lDDT 置信度。 - plddt_ca (
torch.Tensor，形状为(num_diffusion_samples, num_tokens)) — 每个 token 的代表性（Cα）原子的预测 lDDT。 - complex_plddt（形状为
(num_diffusion_samples,)的torch.Tensor）— 复合物所有原子的平均 pLDDT。 - complex_iplddt (
torch.Tensor，形状为(num_diffusion_samples,)) — 界面加权复数 pLDDT。 - pae_logits (
torch.Tensor，形状为(num_diffusion_samples, num_tokens, num_tokens, num_pae_bins)) — 预测对齐误差的 bin logits。 - pae (
torch.Tensor，形状为(num_diffusion_samples, num_tokens, num_tokens)) — 每个残基对的预期预测对齐误差（Å）。 - pde_logits (
torch.Tensor，形状为(num_diffusion_samples, num_tokens, num_tokens, num_pde_bins)) — 预测距离误差分箱的 logits。 - pde (
torch.Tensor，形状为(num_diffusion_samples, num_tokens, num_tokens)) — 每个残基对的预期预测距离误差（Å）。 - resolved_logits (
torch.Tensor，形状为(num_diffusion_samples, num_atoms, 2)) — 每个原子的已解析/未解析 logits。 - ptm（形状为
(num_diffusion_samples,)的torch.Tensor）— 每个样本的预测 TM-score。 - iptm（形状为
(num_diffusion_samples,)的torch.Tensor）— 每个样本的预测界面 TM 分数。 - pair_chains_iptm (
torch.Tensor，形状为(num_diffusion_samples, num_chains, num_chains)) — 每个有序链对的预测界面 TM-score。
EsmFold2Model 的输出。所有置信度分数均在 0-1 范围内；每个样本的张量都有一个前置的 num_diffusion_samples 维度。
EsmFold2TrunkOutput
class transformers.models.esmfold2.modeling_esmfold2.EsmFold2TrunkOutput
< source >( distogram_logits: typing.Optional[torch.Tensor] = Nonepair_states: typing.Optional[torch.Tensor] = Nonesingle_inputs: typing.Optional[torch.Tensor] = Nonerelative_position_encoding: typing.Optional[torch.Tensor] = Nonetoken_bonds_encoding: typing.Optional[torch.Tensor] = Noneatom_inputs: transformers.models.esmfold2.modeling_esmfold2.EsmFold2AtomInputs | None = None )
参数
- distogram_logits (
torch.Tensor，形状为(batch_size, num_tokens, num_tokens, distogram_bins)) — 残基对上的预测距离分布 logits。 - pair_states (
torch.Tensor，形状为(batch_size, num_tokens, num_tokens, pairwise_hidden_size)) — 主干的最终成对表示，以 fp32 格式存储。 - single_inputs（形状为
(batch_size, num_tokens, single_inputs_size)的torch.Tensor）— 由输入嵌入器构建的拼接后的单输入特征。 - relative_position_encoding (
torch.Tensor，形状为(batch_size, num_tokens, num_tokens, pairwise_hidden_size)) — 相对位置对编码。 - token_bonds_encoding (
torch.Tensor，形状为(batch_size, num_tokens, num_tokens, pairwise_hidden_size)) — 嵌入的 token 间共价键特征。 - atom_inputs (
~models.esmfold2.modeling_esmfold2.EsmFold2AtomInputs，可选) — 经过特征化的参考构象原子输入，供扩散原子堆栈复用。
EsmFold2Model.forward() 的输出：折叠主干的成对表示、从中读取的 distogram，以及结构头和置信度头所使用的条件张量。除主干的随机初始成对状态外，给定输入后此处所有内容均为确定性的。
EsmFold2AtomInputs
class transformers.models.esmfold2.modeling_esmfold2.EsmFold2AtomInputs
< source >( ref_pos: Tensorref_charge: Tensoratom_attention_mask: Tensorref_element: Tensorref_atom_name_chars: Tensorref_space_uid: Tensoratom_to_token: Tensor )
参数
- ref_pos — (batch_size, num_atoms, 3) 参考构象的笛卡尔坐标。
- ref_charge — (batch_size, num_atoms) 每个原子的形式电荷。
- atom_attention_mask — (batch_size, num_atoms) 有效原子（1）与填充（0）。
- ref_element — (batch_size, num_atoms, max_atomic_number) 原子序数的 one-hot 编码。
- ref_atom_name_chars — (batch_size, num_atoms, max_chars, char_vocab_size) 原子名称的 one-hot 编码。
- ref_space_uid — (batch_size, num_atoms) 每个原子的组 ID（即该原子的 token 索引）。
- atom_to_token — (batch_size, num_atoms) 每个原子所属 token 的索引。
经过特征化的参考构象原子输入，打包在一起，以便原子堆栈只需一个参数。
作为 [EsmFold2Model.forward] 的一个参数传入，包含原始的 featurizer 张量。随后，EsmFold2Model._prepare_features 会对分类字段进行 one-hot 编码并将填充位置零，forward 则通过 dataclasses.replace 将这些编码后的值替换进去，因此该点之后的所有下游使用者看到的都是下文所述的编码形式。该结果在 [EsmFold2TrunkOutput] 中返回，以便扩散采样器和置信度头复用主干的 featurization，而无需重新计算。
使用普通 dataclass 而非 [~utils.ModelOutput]：此处的每个字段都是必需的，并且下游会无条件地读取它们，而 ModelOutput 最多只允许一个必需字段（其余字段必须默认为 None），这会将构造函数中缺失张量的错误转变为在原子编码器深处浮现的 None。