结构预测模型变身蛋白质优化器，Baker团队新成果的"反向操作"

2026年9月7日，David Baker课题组在bioRxiv挂出新预印本RFOptimization（RFO）。这位2024年诺贝尔化学奖得主、华盛顿大学蛋白质设计研究所所长，这次拿出个反常物件：专给已有设计"改作业"的优化器。但翻开作者栏，Odin Zhang、Jiaqi Wang等四位共同一作排在前面，Baker自己守在通讯作者位。

思路一句话可以说完：把结构预测模型"倒过来用"。AlphaFold3这类模型本是"裁判"，给序列打分、预测结构；RFO让裁判改行当"教练"，直接指出哪个氨基酸该换。但要把裁判变成教练，得先拆掉两道技术关卡。

RFOptimization总览：蛋白结构、配体结构或SMILES输入，输出覆盖蛋白结合剂、环肽、酶和小分子结合剂四类设计（来源：Zhang et al., bioRxiv 2026，图1a）

01

问题 · The Bottleneck

抽卡式设计的昂贵过滤网

先看"裁判"的本职工作有多贵？以RFdiffusion为代表的生成式流水线，一次campaign要采样数万个候选，再经严苛过滤，最后只剩几个能进实验。过滤线由AlphaFold3指标把守：iPAE小于2.5、iPTM大于0.8。但通过率常年趴在个位数。

大量设计其实只差临门一脚。它们卡在过滤线附近，结构特征不错，却被整批丢弃。Baker团队把它们叫作"边缘设计"（borderline designs）。但换个角度看，这些"半成品"正是富矿：与其重新抽卡，不如就地精修。

RFO混合优化协议：初始复合物每步迭代在"梯度引导MCMC"与"结构循环"两条路径间随机切换（来源：Zhang et al., bioRxiv 2026，图1b）

02

方法 · Gradient Move

把裁判倒过来当教练

第一道关卡：AF3类模型靠扩散模块生成结构，从随机坐标云逐步去噪，这条链路没法直接反向传播梯度。但RFO找到近道：用stop-gradient掐断扩散模块的反向通路。优化目标挂在Pairformer主干的两个可微"探针"上——distogram头和置信度头。

直觉上，这像顺着山坡找谷底：梯度指出哪种突变能让预测结构更稳、界面更贴合，MCMC采样则允许偶尔"上坡"，跳出局部最优。优化早期高温"撒网"，后期低温"收网"。但序列每一步都保持离散one-hot编码，防止模型钻连续松弛的空子。

梯度引导突变路径：优化目标从RF3的置信度与distogram头反向传播，GradMCMC据此在离散序列空间选择突变（来源：Zhang et al., bioRxiv 2026，图2a）

优化目标也由用户自定义：置信度、界面接触、原子级距离约束可以任意加权组合。整个框架无需训练，单次迭代只要RF3前向传播一次，单张A100约45到60秒；多数设计1到10轮内翻身，对应1到10分钟。但梯度只是RFO的一条腿。

03

方法 · Cycling Move

让两个模型互相"抬杠"

另一条腿叫结构循环：当前序列交给Boltz预测复合物结构，再由ProteinMPNN或LigandMPNN按骨架"逆折叠"重填序列。对数似然最高的候选进入下一轮。每步迭代，RFO以各50%的概率在两种突变策略间随机切换。但为什么要两个模型轮着来？

结构循环突变路径：Boltz预测复合物结构，ProteinMPNN或LigandMPNN按预测骨架重填候选序列（来源：Zhang et al., bioRxiv 2026，图2b）

答案是防作弊。只盯一个模型优化，容易挖出它置信度景观里的"偏门"：分数涨了，结构却没变好。RFO让RF3出梯度、Boltz出结构，互相纠偏。但终审权交给全程没参与优化的AlphaFold3：三个"裁判"交叉把关，过拟合单模型的空间被压到最小。

04

结果 · Benchmark

四个战场，最高翻10.1倍

蛋白-蛋白结合剂是主战场。13个治疗靶点（PD-L1、InsulinR、IL-7Rα等）上，AF3重折叠通过率从6.73%提到22.31%，平均翻3.3倍，只用10轮优化。FGFR2、PD1等六个靶点基线是0%，优化后分别爬到28.0%和27.5%。但涨得最猛的是PDGFR：从17.5%拉到50.0%。

AF3重折叠通过率从6.73%提到22.31%，平均翻3.3倍，只用10轮优化

13个治疗靶点上蛋白结合剂的优化曲线与过滤通过率：平均从6.73%升至22.31%（来源：Zhang et al., bioRxiv 2026，图3a）

6.73%→22.31%

蛋白结合剂 AF3 通过率 · 13 靶点平均

10.1×

环肽通过率提升 · 四靶点平均

12.08%

三模型共识通过率 · iPTM>0.8

26 min

每个共识合格设计摊销算力 · BindCraft 约 34 h

环肽是硬骨头，既要结合界面，又要满足环化几何。四个靶点的平均通过率从1.25%提到12.57%，翻10.1倍，GABARAP从0%冲到24.12%。但MCL1、MDM2上涨幅温和，论文坦言效果取决于靶点口袋的几何"可塑性"。

四个靶点环肽设计的优化结果：平均通过率从1.25%升至12.57%，GABARAP从0%升至24.12%（来源：Zhang et al., bioRxiv 2026，图3b）

小分子结合剂覆盖FAD到SAM四种化学性质迥异的配体，平均通过率从5.62%提到24.91%，翻4.4倍。仅3次迭代，四个配体的通过率就全部突破10%。但真正的压力测试在哪？在酶设计上。

四种小分子配体结合剂的优化结果：平均通过率从5.62%升至24.91%（来源：Zhang et al., bioRxiv 2026，图3c）

酶活性中心支架要求原子级精度，因此RFO把催化残基的原子间距离约束和pLDDT置信度打包成组合目标。24个AME基准靶点里18个的fitness明显改善，24个靶点的底物置信度全部上升。但这里的指标是复合fitness，没有直接折算成通过率。

24个酶设计靶点优化前后的复合fitness分布：18个靶点改善，数值越低越好（来源：Zhang et al., bioRxiv 2026，图3d）

最硬的考验是三模型共识：设计要同时过AF3、RF3、Boltz三关才算数。iPTM大于0.8时，RFO共识通过率12.08%，甩开单分支消融（6.67%至7.50%）和Protein Hunter（7.50%）。但更重要的是，提升能跨模型迁移，没有钻某个模型的空子。

iPTM大于0.8时，RFO共识通过率12.08%，甩开单分支消融（6.67%至7.50%）和Protein Hunter（7.50%）

三模型共识过滤下的通过率对比：RFO在整个阈值扫描区间全面领先（来源：Zhang et al., bioRxiv 2026，图3e）

效率账因此更夸张。摊销下来，RFO每产出一个共识合格设计约需26 GPU分钟，Protein Hunter约178分钟，BindCraft约34小时。从海量采样转向定点精修，省下的算力接近80倍。但速度本身，还算不上这篇论文最想传递的信号。

摊销下来，RFO每产出一个共识合格设计约需26 GPU分钟，Protein Hunter约178分钟，BindCraft约34小时

获得共识合格设计的累计GPU耗时对比：RFO约26分钟一个，BindCraft约34小时（来源：Zhang et al., bioRxiv 2026，图3f）

05

局限 · Limitations

冷静一下：这还只是计算层面的胜利

这些数字能直接变成药物吗？恐怕要泼一盆冷水：所有"成功率"都是计算筛选通过率，论文没有给出湿实验验证。22.31%听着提气，但反过来说，近八成设计优化后仍过不了计算过滤。RFO抬高的是管线的"中段收率"，终点线的证据还在路上。

另一个依赖项是起点质量：RFO精修的是RFdiffusion给到的边缘设计，初始设计越靠谱，优化空间越大。但团队判断，结构预测模型继续变强，RFO的效果会水涨船高。生成负责"广撒网"，优化负责"精收网"——蛋白质设计流水线的下半场，可能真要换打法了。