同一张表上它比 BindCraft 快 42 倍,但绝对通过率只有 10.6%:Baker 实验室第四代设计模型把湿实验全放出来了
3分钟看懂
11 月 15 日,华盛顿大学蛋白质设计研究所(IPD)与英伟达在 bioRxiv 上线了一篇预印本:RFD4-Proteina。一句话说完:一个流匹配模型,把蛋白序列和全原子结构放在同一个 32 维潜空间里一起生成,再用「循环精修 + 外部搜索」在推理阶段多花算力换成功率;这次作者把七个湿实验战役的样本量和亲和力数据全部列了出来。
通讯作者是 David Baker 与 Kieran Didi(IPD + 英伟达 + 牛津),62 位作者里有英伟达的 Karsten Kreis、Arash Vahdat,苏黎世联邦理工的 Donald Hilvert,曼彻斯特的 Anthony P. Green。DOI 是 10.64898/2026.11.12.766037,CC BY 4.0。
为什么值得单独写:它不是又一个「我们超过了 AlphaFold3」的声明。蛋白设计这个圈子里,模型自评的通过率早就通货膨胀了——每个人用自己的 AF3 重折叠标准、自己的靶点集、自己的 cluster 去重规则,都能算出漂亮数字。这次不一样的地方在于两件事同时发生:一是它把四大基准的通过率、吞吐和目标覆盖数放在同一张表上,二是它把湿实验里没成功的那些数也写出来了(连接酶 67 个设计只有 4 个成,而上一代是 72 个里 0 个)。
(本文基于多家媒体转述整理,事件与数字以 bioRxiv 预印本、项目页 rfd4-proteina.org 的基准与湿实验表、Hugging Face 上的权重与数据集元数据,以及 Drug Discovery Online 的独立报道为准。)
一句话先说结论
它到底做了什么:把「多花算力」变成模型结构的一部分
大模型圈子熟悉的 test-time scaling,在蛋白设计里一直不太好使。原因是设计模型的输出不是文本,是一组原子坐标,而且约束是几何和化学的——你没法简单地「采样多条然后投票」,因为每条候选的「对错」要靠另一个模型(AF3)来判。RFD4-Proteina 的处理方式是把这件事拆成两层:
- 共享潜空间:一个自编码器把标准氨基酸、修饰氨基酸、糖、DNA、RNA 压进同一个 32 维 的化学-构象空间,词表 147 类残基。训练时用力场能量做监督,让解码出来的原子坐标在物理上说得通。上一代是 33 类词表 / 16 维,两代的组件不能混用(混了不是报错,是出垃圾)。
- intrinsic reasoning(内在推理):生成过程不是一次前向,而是循环精修——模型自己决定在哪几步多花算力。项目页给了 low / medium / high 三档,对应每步 120 / 180 / 300 次 trunk 评估,默认 medium。
- extrinsic reasoning(外在推理):外部可以拿任意打分函数引导搜索——能量、几何约束、AF3 置信度——而不改模型权重。项目页举的例子是「先生成界面面积、再挑氢键、最后看 AF3 置信度」,因为不同性质在生成轨迹的不同阶段才定型。
这个设计带来的直接后果写在基准表里:thinking 档位越高,通过率越高、吞吐越低,两者是同一条曲线上的两个点。蛋白结合从 low 到 high,cluster 通过率 7.7% → 10.6%,吞吐 2,388 → 986 designs/GPU-hour。它没有假装这是免费的。
四大基准:赢在「同时」,不是赢在单项
作者把四个任务放在同一张散点图上,横轴是吞吐(designs per GPU-hour),纵轴是 cluster 通过率。这张图的读法是「左上角更好」——而 RFD4-Proteina 在四个任务上都在左上角,包括它最低的 thinking 档。
- 蛋白结合(24 个靶点):high 档单次 10.6%,次优是 BindCraft 的 5.9%,吞吐高 42 倍。作者的原话是对比了「幻觉类方法通过率高但只有几十个/GPU-hour」和「扩散模型几百到几千个/GPU-hour 但单设计质量低」。
- 小分子结合(77 个靶点):14.3% vs 次优 2.4%,6.1 倍;靶点覆盖 77/77,而 RFD3 是 64/77。
- 酶活性位点支架(37 个任务):12.1% vs 5.7%;覆盖 35/37。
- DNA 结合(3 个靶点):3.5% vs BoltzGen 0.8%、固定 DNA 的 RFD3 0.5%;3/3 全覆盖(RFD3 只做到 2 个)。
还有一条不那么显眼但更有意思的:同一个模型,不额外训练,就能在侧链堆积、固定骨架序列设计、构象采样、设计精修这四个「专家任务」上追平或超过专用方法。换句话说,它想做的是「一个模型顶掉一条工具链」,而不是在某个 benchmark 上刷到第一。
湿实验:七个战役,作者把没成的也写了
这部分是全文最值得读的地方。计算通过率可以靠调评判标准美化,湿实验不行——要么结合了,要么没结合。作者按靶点类型分了七组,每组都给了设计数、命中数、亲和力区间。
一、钙调蛋白:要它只在有钙的时候结合
钙调蛋白(calmodulin)结合钙之后会改变构象,很多天然配体只认其中一个状态。作者要求「只结合钙结合态」。结果:18 个设计里 12 个表观 KD 低于 1 µM,而且在没有钙的条件下检测不到结合。表观 KD 从 69 pM 到 37.0 nM。
这里有一处必须说清的自我限定:69 pM 那个数作者自己标注了「落在 off-rate 拟合下限,精确亲和力与排序未定」。项目页的交互图展示的是另一个设计(2.48 nM)。这不是隐瞒,是诚实——但引用时不能只抄 69 pM。
二、肽-MHC:分辨只差一两个残基的「自己人」
肽-MHC 复合物的难点在于:暴露在外、能被抗体认出来的只有肽的几个残基,其余全是保守的 MHC。而健康细胞上长得很像的肽,是主要的脱靶风险。三个靶点:MART-1 340 pM、SARS-CoV-1 膜蛋白 710 pM、Phox2B 1.60 nM(酵母展示,pMHC 四聚体滴定,表观半数结合浓度)。
选择性:三个靶点全部 >100 倍偏好靶内肽。Phox2B 和 SARS-CoV-1 的脱靶肽与靶肽只差 1 个和 2 个残基。这一条比亲和力数字更能说明模型学到了什么。
三、无序肽:YAP1 112 pM、Tau 527 pM
固有无序区(IDR)没有固定结构可以「对着设计」,长期是设计方法的盲区。作者挑了 8 条无序肽,5 条已知结合后会折叠、3 条不会。结果:前 5 条里拿到 4 条的紧结合物,后 3 条里拿到 2 条。最强的两个 SPR 亲和力是 YAP1 112 pM、Tau 527 pM,作者称这是这两个表位的首批从头设计结合物。五个靶点的 all-by-all 测试里,最好的命中物全部偏好目标肽。
四、TrkA:要它认人、不认鼠,也不认旁系同源
人源 TrkA 是成熟基准,作者加了难度:避开小鼠 TrkA(建模区域 86% 序列一致)和人的 TrkB / TrkC。结果分两类:
- 人源特异型:最强的四个对任何脱靶都无结合。
- 人鼠交叉型:94 个设计里 18 个同时结合人和鼠 TrkA 但不碰 TrkB/TrkC,最好的对人亚纳摩尔、对鼠 37.7 nM。
- 不加约束的人源 TrkA:158/188(84%)亚微摩尔,而下一个最成功的战役是 18/60。
- 另外拿到 1 个亚微摩尔 TrkB 结合物(30.2 nM)和 20 个 TrkC 筛选命中,作者称是这两个的首批设计结合物。
五、糖基化:9 个里 8 个把糖链卡在 Man9
这条最偏应用。N-连接糖链在 ER 和高尔基体里会被修剪;如果能挡住修剪、让糖链停在未完全加工的状态,暴露的寡甘露糖会触发免疫反应,可以当疫苗佐剂用。设计难点是「挡住核心 GlcNAc,同时让末端甘露糖还可及」。之前 Lunn-Halbert 等人的设计只能把糖链停在 Man5–Man8,没有一个能完全阻断到 Man9 或 Glc1Man9。
这次:9 个设计里 8 个在占有位点上寡甘露糖超过 90%,且蛋白比之前更小。
六、磷酸化:分辨相邻位点
组蛋白 H3 尾部 pS10 和 pT11 两个磷酸化位点。拿到两个磷酸化依赖的结合物,酵母展示表观响应中点 pS10 179 nM、pT11 133 nM(作者强调是响应中点、不是平衡亲和力),并能在 NGS 回收里分辨相邻位点的磷酸化状态。
七、两个酶:一个把速率提了 1900 万倍,一个做出 API 合成步骤
这两条是全文最硬的部分,因为它们不靠「结合」,靠催化。
磷酸三酯酶:对硫磷(paraoxon)是有机磷农药兼神经毒剂。RFD3 之前用六个催化残基绕两个金属离子做到了 kcat/KM 最高 4 ± 3 M⁻¹s⁻¹。这次把活性位点扩到八个残基:in silico 阶段满足「motif RMSD <1 Å 且最小蛋白-底物 PAE <1.5 Å」的设计占 1.5%,而 RFD3 是 0/10,000。288 个设计里 89 个有活性,覆盖 47 个支架家族中的 25 个。最好的 BLITZ-1 达到 kcat/KM = 3,600 ± 500 M⁻¹s⁻¹、kcat = 0.9 ± 0.2 s⁻¹,相对未催化水解提速 1.9×10⁷ 倍,比六残基设计高 10 到 1,000 倍。七个第一壳层催化残基做丙氨酸替换后活性大幅下降或消失——这说明活性确实来自设计的位点。
酰胺连接酶(lenacapavir 前体):lenacapavir 是 HIV 预防药,成本限制了可及性。其中一步要把活化酯接到一个位阻很大的手性胺的 (S) 构型上,酶必须让氨解压过酯水解。作者用半胱氨酸蛋白酶催化三联体做支架,配多状态 AF3 筛选。
结果:67 个设计里 4 个高于背景成酰胺,而上一代 RFD3 是 72 个里 0 个。最好的 Design 52 把 79% 的 (S)-胺转成目标酰胺,对 (S) 相对 (R) 的偏好 28 倍;把催化半胱氨酸换成丙氨酸,转化率降 12 倍。作者的说法是「从头设计酶用于原料药合成步骤的首次概念验证」。
约束条件:它没解决的问题,比解决的更值得记住
这部分不写清楚,前面所有数字都会被误读。
一、「通过率」的定义决定了它有多可信
项目页写得很直白:每个设计序列都用 AlphaFold3 重折叠,再对照目标结构和任务特定标准打分;cluster 通过率只数不同的 fold,重复同一个成功不算。也就是说:
- 这是计算成功率,衡量的是「AF3 是否认为它折成了预期结构」。
- AF3 本身的偏差会直接传进来——如果 AF3 对某类界面判断系统性偏乐观,这个数就系统性偏高。
- 湿实验命中率是另一套数(见上一节),两者不能互相替代,也不能跨模型直接比。
二、绝对水平仍然很低
蛋白结合最好 10.6%,DNA 结合 3.5%,八残基活性位点的 in silico 通过率 1.5%。这些是「在几十到几百个候选里能挑出几个能用」的量级,不是「设计一次就成」。
三、独立媒体指出的瓶颈位移
Drug Discovery Online 的执行主编 Morgan Kohler 在 11 月 16 日的报道里给了一个我认为最该被引用的判断:
他还指出,文中那些 5–10 倍的提升「来自研究草稿而非同行评审论文」,并且「描述的是计算成功而非实验室结果」。这两句都对。RFD4 的湿实验数据确实比多数预印本扎实,但「生成更快」和「更快拿到候选药」是两件事——后者取决于湿实验那端的通量。
四、时间线容易被写错
按时间排:权重 10 月 6 日就挂上 Hugging Face;当前 release checkpoint 是 10 月 19 日(flow 模型 + 自编码器成对,与上一代不兼容);10 月 21 日在 GTC Berlin 首秀;11 月 10 日IPD 宣布开源(BSD-3);11 月 15 日预印本上线、首次公开全套湿实验。把它写成「11 月 15 日发布新模型」是错的。
五、预印本,未过同行评审
62 位作者、七个湿实验战役、资助列表长达十几项(含 Jen-Hsun and Lori Huang Foundation、Gates Foundation、DARPA、HHMI),分量足够,但它现在还是预印本。
适用场景
- 做 de novo 结合物筛选的团队:四个基准的散点图给了一个可以直接拿来对标的坐标系——你的方法在「通过率 × 吞吐」平面上落在哪。
- 需要酶设计的实验室:八残基活性位点从 0/10,000 到 1.5%、连接酶从 0/72 到 4/67,这两条说明「扩大活性位点复杂度」这条路开始通了。
- 想在自己数据上微调的人:BSD-3 权重 + CC-BY-4.0 训练数据 + 完整推理/搜索/训练代码,可以本地跑也可以改。训练数据里含 afdb_monomer、pdb_interfaces 等流式 parquet 配置。
- 关心「计算指标怎么才算诚实」的人:这份预印本把「AF3 判通过率」的定义、thinking 档位的吞吐代价、以及失败计数都摆出来了,是一个可以参照的写法。
不适用场景
- 不能拿 10.6% 当「湿实验成功率」用:它衡量的是 AF3 重折叠是否复现目标结构。要判断能不能结合,看第七节的湿实验数字。
- 不适合当「抗体药设计已解决」的证据:本文的抗体相关工作是结合物与酶,不是治疗性抗体的可开发性(免疫原性、稳定性、表达量)。
- 不适合小团队直接上生产:运行时要求 Linux x86_64、Python 3.12、NVIDIA GPU + CUDA 12/13 驱动;高 thinking 档吞吐会掉到 986 designs/GPU-hour。
- 不能与 Bonbon 那类「湿实验命中率」直接比大小:一个是 AF3 判的计算通过率,一个是剂量-反应判的实测命中率,分母和定义都不同。
怎么用:三步跑通
- 装:`pip install "rfd4-proteina[all-cuda13]" -U`(CUDA 12 用 `all-cuda12`),或从 GitHub clone 后 `pip install -e .`;也有 Apptainer/Enroot 预构建镜像(cu13/cu12/cpu 三档)。
- 准备输入:用带注释的 CIF——注释指定哪些原子固定、哪些要设计。普通未注释结构不是完整的设计规格。也可以用 YAML/JSON 条件描述再转。官方给了 PD-L1 结合物、酶 motif 支架、HER2 抗体、无约束单体四个示例输入。
- 生成:`rfd4-generate inputs=... hf_ckpt_path=nvidia/RFD4-Proteina hf_ckpt_revision=a06e2509... num_replicates=1 out_dir=./runs/x`。第一次跑建议加 `'~metrics' compile_lengths=null` 跳过外部打分和编译预热。
想先看不装环境:Hugging Face 上有两个 Studio(ZeroGPU 版和专属 GPU 版),输入和设计都会过 SecureDNA 筛查,命中就直接拒绝。
避坑:四个容易踩的坑
- 别把 10.6% 写成「成功率」。它前面必须带定语:AF3 重折叠判的 cluster 通过率。写成「设计成功率 10.6%」会让读者以为是湿实验。
- 别跨模型比通过率。BindCraft 的 5.9% 和它的 10.6% 能比,是因为作者用同一套 AF3 重折叠 + cluster 去重 + 同一批靶点;但和别的论文里的「成功率」几乎一定不可比——靶点集、MSA、评判阈值全不一样。
- 混用两代 checkpoint 会出垃圾而不是报错。flow 模型和自编码器必须成对:当前 release 是 10-19 那一对(32 维潜空间 / 147 类词表),拿它配上一代 9-04 的 AE(16 维 / 33 类)会生成无意义结构。模型卡专门写了这一条。
- 69 pM 那个数别单独引用。作者自己标注它落在 off-rate 拟合下限,精确亲和力与排序未定。要举亲和力例子,用同一节的 2.48 nM 交互示例或 37 nM 上界更稳。
下一步
- 如果你的方法也在做 de novo 结合物:按它的四张散点图重画自己的结果——横轴吞吐、纵轴 cluster 通过率,同一批靶点、同一套 AF3 重折叠。这一步比再刷一个 benchmark 更能说明问题。
- 如果你要复现湿实验:先挑磷酸三酯酶那条,因为它的判据最硬(kcat/KM 是绝对量,不依赖亲和力拟合)、设计数最多(288 个设计 / 89 个有活性)、且活性位点残基做了丙氨酸扫描验证。
- 值得盯的三个后续:① 是否过同行评审、评审版有没有下调 10.6% 这类数字;② 连接酶那条能不能把 4/67 提到两位数——这是「酶设计可用于原料药」能不能成立的关键;③ 有没有第三方在自有靶点上复现 AF3 判通过率与湿实验命中率的相关性。
- 对照阅读:站内 1119(AI 抗体设计撞上验证墙)讲的是同一个问题的另一面——计算指标与湿实验之间那道沟有多宽。
参考来源
• bioRxiv 预印本(2026-11-15,DOI 10.64898/2026.11.12.766037,CC BY 4.0):
https://doi.org/10.64898/2026.11.12.766037
• 项目页(基准表、湿实验逐项数值、recycling schedule):
https://rfd4-proteina.org/
• 代码仓(BSD-3-Clause,613 star,pushed 2026-11-18):
https://github.com/RosettaCommons/RFD4-Proteina
• 权重(BSD-3-Clause,4.36 亿参数,1.74 GB):
https://huggingface.co/nvidia/RFD4-Proteina
• 训练数据(CC-BY-4.0,非 gated):
https://huggingface.co/datasets/nvidia/RFD4-Proteina
• Drug Discovery Online 独立报道(2026-11-16,含瓶颈位移批评):
https://www.drugdiscoveryonline.com/doc/frontier-binder-design-just-became-free-0001
• OpenBio News 周报(2026-11-17):
https://openbionews.com/analysis/ai-in-bio-weekly-review-2026-11-10-to-16/
• BioML Digest(2026-11-17):
https://www.biomldigest.com/weekly-bioml-digest-november-17-2026/
• Eternal Search(2026-11-17,从酶设计角度独立解读):
https://eternalsearch.net/news/261117001