聚焦蛋白质语言模型（PLM）与蛋白 Embedding 的评测体系：序列表征 vs 结构模型、TAPE/ProteinGym/FLIP 等基准、突变效应与酶工程指标、零样本与微调协议及聚合酶场景落地方法。

系统梳理文本/多模 Embedding 模型的评测维度：语义相似度、检索、分类聚类、MTEB/CMTEB/BEIR 基准、领域对齐评测与工程指标；给出公平对比协议与可复现实践流程。

聚焦蛋白质结构预测与实验/reference 对比的准确度指标：RMSD、TM-score、GDT、lDDT、局部活性位点误差、复合物 DockQ 及 CASP 分层评估；含科研漫画风示意图；不含 pLDDT/PAE 等模型置信度。

系统梳理蛋白口袋预测与表征的成熟工具（fpocket、P2Rank、CASTp、CAVER 等）：几何与机器学习原理、批量分析工作流、选型依据、预测结构局限，以及从 Voronoi 到深度学习的方法演进路线；含两幅 Nature Cell 风格示意图（SVG）。

从生物学视角定义蛋白质结合/催化口袋：与活性位点、沟槽、隧道的关系；体积、开口、疏水性等指征的功能含义；口袋变化影响 k_cat/K_m 的机制；从翻译折叠到衰老降解中口袋的形成与演变；含三幅 Nature Cell 风格示意图（SVG）。

ProteinMPNN 架构与训练全景：骨架图输入、顺序无关自回归目标、Encoder-Decoder MPNN 结构框架与约 1.68M 参数组成；与 RFdiffusion pipeline 及 MPNN 抽象对照。

用长度 L=4 的玩具肽段手算 MASK 吸收态离散扩散的一步训练与 motif inpainting 采样；对照 Example-0 连续 DDPM，说明蛋白序列如何用转移矩阵构造 x_t 与交叉熵监督。

用 2 维向量手算完整走一遍 DDPM 前向构造与单步训练：采样 x₀、t、ε，计算 x_t，MSE 预测噪声，以及从 ε 反解 x₀；澄清「前向随机」与「监督从哪来」。

过平滑（Oversmoothing）的直观解释、谱域/消息传递成因、分子图与知识图谱等场景、残差/JK/PairNorm 等缓解方案，以及与过挤压、表示坍缩、专家坍缩的异同。

专家坍缩（Expert Collapse / Routing Collapse）的直观解释、成因、典型场景、缓解方案，以及与模式坍缩、表示坍缩、Dead ReLU 等近似概念的异同对照。