arXiv cs.AI· Maojiang Su, Jiale Chen, Qijie Zhu, Shang Wu, Jiayi Wang, Jihai Zhao, Guo Ye, Yibo Wen, Han Liu·· 13 小时前AI 评分31
PairFuse：将预训练全原子表示泛化到统一结合体设计
Towards Generalizing Pretrained All-Atom Representations to Unified Binder Design
AI 导读
PairFuse 通过轻量级逐层适配器，把预训练的 PairFormer 全原子表示融合进独立预训练的几何隐扩散模型，实现统一结合体设计。该方法以增强分子块特征和向去噪器注入成对结构信息两种机制完成融合，理论上证明了增强去噪器保持几何性质、成对注意力融合带来超出纯特征融合的注意力表达力。在抗体、多肽和小分子结合体设计基准上，PairFuse 性能优于预训练扩散模型和现有表示融合基线。
正文 · AI 翻译
摘要：基于 PairFormer 的全原子模型在生物分子结合剂设计中展现出强大能力。然而，现有方法通常使用全原子表示进行特定模态的结合剂设计，例如蛋白质和肽设计。相比之下，近期的几何潜在扩散模型通过将来自不同模态的分子块表示在共享潜在空间中，追求统一的结合剂设计。这些互补的优势促使我们研究如何将预训练全原子表示的使用推广到统一结合剂设计。我们提出 PairFuse，一种参数高效的方法，通过表示融合实现这种推广。具体而言，我们使用轻量级逐层适配器将预训练全原子表示集成到独立预训练的几何潜在扩散模型中。我们的适配器通过两种机制整合预训练全原子表示：丰富扩散模型的分子块特征，以及将成对结构信息纳入几何扩散模型的去噪器。在理论上，我们证明增强后的去噪器保持几何性，并且成对注意力融合提供了超越仅特征融合的额外注意力表达能力。在实验中，在抗体、肽和小分子结合剂设计基准上，PairFuse 取得了比预训练扩散模型和现有表示融合基线更强的性能。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.37994 [cs.LG] |
| （或 arXiv:2610.37994v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.37994 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jiale Chen [查看电子邮件]
[v1]
2026年10月27日星期二 21:42:44 UTC（309 KB）
来源：arXiv cs.AI · arxiv.org