arXiv cs.AI· Lorenz Vaitl, Ivan Tanasijevic, Arian Rokkum Jamasb, L. Santiago Mille-Fragoso, Pan Kessel·· 1 天前AI 评分31
研究：AlphaFold 3 类模型无需完整循环即可预测置信度，按需回收计算预算
Recycle only when you have to!
AI 导读
针对 AlphaFold 3 类模型（如 Boltz、Protenix）的蛋白质结合体设计，研究发现其 ipSAE、ipTM 等置信度指标与结构一致性指标可在早期 recycling 阶段直接从 trunk 预测。该预测器计算成本低、可微分且每个循环都可用，既可作为筛选时分配 recycling 预算的决策信号，也可作为幻觉式设计的目标函数。两种应用均在显著降低计算成本的同时提升了性能。
正文 · AI 翻译
摘要：类 AlphaFold 3 模型（如 Boltz、Protenix 等）推动了蛋白质结合剂设计的前沿。该架构既用于生成结合剂候选物（例如通过幻觉生成，或将这些模型转换为骨架或全原子生成模型），也用于筛选这些候选物以确定有效结合剂。在本文中，我们从以下观察出发：AlphaFold 3 的置信度指标（ipSAE、ipTM）以及结构一致性指标可以直接从主干预测，即使在早期循环阶段也是如此。由于我们提出的预测器成本低、可微，并且在每个循环中都可获得，因此它可以以两种不同的方式使用：作为决策信号，以明智地分配筛选的循环预算；以及作为基于幻觉的设计的目标。我们表明，这两种应用都能在显著降低计算成本的情况下提高性能。
| 主题： | 定量方法（q-bio.QM）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.40665 [q-bio.QM] |
| （或 arXiv:2610.40665v1 [q-bio.QM] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.40665 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Lorenz Vaitl [查看电子邮件]
[v1]
2026年10月9日星期五 18:42:17 UTC（3,714 KB）
来源：arXiv cs.AI · arxiv.org