拿到 RFdiffusion 写出的结构文件后,如果直接把里面的氨基酸序列交给合成,可能会把占位符当成设计结果。如果把 B 因子列当成置信度,又可能把新生成的区域全部判为零分。这两种误读都来自同一个问题,只看到了坐标文件,没有核对程序怎样写出它。本文实际安装并运行官方模型,用一个固定片段生成两条三十六残基的骨架,再逐项检查编号、坐标、序列与置信度。读完后,你应该能判断自己拿到的是哪一阶段的产物,以及下一步该交给序列设计工具哪些信息。
先明确要保留的内容,再写生成任务
本例取公开结构 1CRN 的 A 链第十至第二十五号残基作为输入片段,两端各生成十个新位置。输入片段共十六个残基,加上两端二十个位置,输出总长度应为三十六。选择这段结构是为了演示片段保留与编号检查,没有把它定义为某个功能活性位点,也没有要求恢复完整的天然蛋白。原结构中未被选中的区域,不应在结果解读时悄悄变成模型必须满足的条件。参考结构 1CRN
RFdiffusion 在这里承担的是骨架生成。我们给出一个希望保留的空间片段,要求模型为它添加新的连接区域。新区域最终采用什么氨基酸组成、能否形成稳定蛋白、是否具有某种功能,仍然是后续需要分别处理的问题。尤其是从天然结构里截取一段以后,原来由其他区域提供的包装、接触或化学环境可能已经不存在。保留片段的局部形状,只能作为设计约束得到满足的一项证据,不能直接继承天然完整蛋白的性质。
这类任务的优点是能够把“保留哪一段、在哪里增加多长的骨架”表达为明确输入。局限也很具体,生成器没有替读者完成序列筛选、侧链检查与实验验证。做项目时,应将这些步骤分别保存结果,避免在报告里用一个“设计完成”覆盖所有阶段。官方介绍的生成任务还包括无条件生成、结合蛋白设计等,本文只验证固定片段支架这一种设置。官方任务说明
一条 contig 中,字母与数字代表不同来源
本次使用的输入字符串如下。命令行传递时,整个参数要作为一个字符串交给程序,尤其要保留方括号及斜杠的完整性。
contigmap.contigs=[10-10/A10-25/10-10]
两边没有链字母的区间表示新生成长度,中间带 A 的区间表示从输入结构 A 链选择残基。这里写成相同的区间端点,是为了把两侧长度固定为十。若改成不同端点,就引入了长度采样,此时每次实际生成多长,需要读取结果中的采样记录。不能只从命令里看到一个范围,就假定所有输出都采用范围中间的长度。
最容易发生的错误是把输入编号原样抄到输出上。输入片段的首个残基编号为十,但它前面现在接了十个新位置,因此在输出链上成为第十一个残基。片段最后一位则从二十五变成二十六。我们检查了两次运行的完整映射,两者都符合这个关系。只有核对完这一层,后面比较坐标、固定序列或标记功能位置才有明确对象。
| 编号形式 | 输入片段 | 输出片段 |
|---|---|---|
| 结构中的链与残基号 | A10–A25 | A11–A26 |
| 从零开始的数组下标 | 9–24 | 10–25 |
| 本例的片段长度 | 16 | 16 |
这个表里第二行的下标只对本例中连续、无缺号的输入成立。换成存在插入码、缺失坐标或特殊编号的结构,不能再通过“残基号减一”自动得到数组位置。稳妥做法是读取输出保存的输入与输出映射,逐对验证链、残基身份和坐标是否存在。需要将结果转给 ProteinMPNN 时,也应先明确对方读取的是解析后序列位置还是结构原始编号,不能因为两个字段看起来都是整数就直接互换。编号映射实现
实际安装与两次完整生成
本次使用官方仓库提交 86507b6538f51fce57b5a72477165f03999ed7ae,软件元数据版本为一点一点零,加载官方基础模型权重。环境是 Python 三点十、PyTorch 二点五点一的 CPU 构建、DGL 一点一点三与 e3nn 零点三点三。计算使用两个线程,完成两个随机种子下各五十步反向扩散。这里报告的是完整骨架生成,没有训练新模型,也没有在中途截取一个尚未结束的结构当作最终结果。
安装后遇到的实际问题是依赖中的 NVIDIA 性能标记在纯 CPU 构建上报错,信息为 NVTX functions not installed。处理办法是在独立启动进程中将该性能标记的上下文替换为空操作,保留模型、采样算法与权重。附件里把这一兼容处理做成显式开关,便于读者检查。它是本次 CPU 组合的处理方式,不应在正常工作的其他环境里无条件套用,也不等同于官方提供的 CUDA 安装环境。
下载实跑脚本、安装步骤、两个输出结构及坐标复核脚本。安装脚本由本次成功执行的安装命令整理而成,固定源码和权重校验值。以下命令在解压目录中执行,完整生成与轻量复核可以分别进行。
bash 236-rfdiffusion/install_cpu.sh "$PWD/rf_env"
rf_env/env/bin/python 236-rfdiffusion/run.py \
--repo "$PWD/rf_env/RFdiffusion-86507b6538f51fce57b5a72477165f03999ed7ae" \
--models "$PWD/rf_env/models" \
--pdb "$PWD/rf_env/1CRN.pdb" \
--out "$PWD/rf_run" --cpu-nvtx-compat
首次执行还需要建立旋转噪声分布的缓存。日志停在这一步时,应先确认进程是否仍在计算,以及缓存目录是否能够写入。不要立即将它解释为模型推断失败,也不要连续启动多个重复任务去“碰碰运气”。本次两条设计的元数据分别记录约四十六点六五秒和四十四点二三秒,这个计时不含最初的模型载入与噪声缓存,也不含随后写出轨迹文件的时间。它只能描述这个短链、两个线程下的具体运行,不能据此推算长链设计的吞吐量。
三十六个残基,并不等于得到一条可合成序列
两次输出都包含三十六个残基。中间十六个位置的残基名称与输入片段一致,两端二十个新位置则全部写成甘氨酸。这是该输出流程对未指定序列位置的占位写法。它不表示模型已经判断这些位置都应该使用甘氨酸,更不意味着一条含有大量甘氨酸的链已经通过序列设计。
检查时也不能简单清点文件里有多少个甘氨酸。输入片段本身就可以包含甘氨酸,它与新生成位置的占位符具有不同含义。应先依据编号映射确定哪些位置来自输入,再检查其余位置的写出方式。本例的验收条件是二十个新位置使用占位名称,同时十六个保留位置与参考一致。这样的判断能够迁移到其他片段,不会因为片段里天然含有甘氨酸就误报。

还有一个同样容易误读的字段。最终结构文件的 B 因子列在新生成区域为零,在保留片段为一。我们统计到八十条原子记录为零、六十四条为一,分别对应二十与十六个残基,每个残基写出四个骨架原子。这里的零和一用于区分区域,不是每个原子的预测置信度。如果直接套用其他结构预测工具的颜色规则,就会得到“新区域全部极不可信”的错误图示。官方最终结构写出逻辑
真正的逐步置信度保存在运行元数据中。本例的数组形状是五十乘三十六,对应五十个采样步骤与三十六个位置。最后一步的平均值分别约为零点九七二和零点九六六。使用这些数字时仍要写明它们属于生成过程的模型输出。较高分数不能代替对具体氨基酸序列能否折叠的检查,因为当前新区域尚未完成序列选择。
保留片段有多接近,应该怎样计算
我们通过映射选出两次输出的十六个片段残基,分别与输入的对应位置进行刚体叠合,再计算对应原子的均方根偏差。只使用十六个碳阿尔法原子时,两次结果约为零点一二六埃和零点一二九埃。改为每个残基的氮、碳阿尔法及主链羰基碳,共四十八个原子,结果约为零点一三七埃。两种原子选择回答的细节不同,因此在报告里都保留了选择范围。
| 复核指标 | 设计 0 | 设计 1 |
|---|---|---|
| 片段 Cα 叠合偏差 | 0.126 Å | 0.129 Å |
| 片段 N、Cα、C 叠合偏差 | 0.137 Å | 0.137 Å |
| 相邻 Cα 距离范围 | 3.643–3.808 Å | 3.655–3.806 Å |
| 最后一步平均置信度 | 0.972 | 0.966 |
这些小偏差说明,在指定的原子集合与叠合方式下,片段的局部几何被较好保留。它们并不要求新结构与输入使用相同的绝对平移或朝向。若直接比较两个文件的原始坐标,而没有先统一坐标系,整体平移和旋转也会计入差异。相反,如果研究的是配体相对蛋白的位置,又不能把配体单独叠合后再声称结合位置正确。计算之前先写出“以谁为参照、对齐哪些原子、评价哪些原子”,比只写一个偏差缩写更容易检查。
本例还比较了两条完整输出骨架,三十六个碳阿尔法原子叠合后的偏差约为一点一八八埃。它说明这两个种子生成了有差别的结构,但仅有两个样本,无法估计生成多样性的分布,更不能把差别大小直接当作设计优劣。若准备继续筛选,应把片段保留程度与新区域的形状变化分开看,避免整体偏差掩盖关键片段的局部问题。
相邻碳阿尔法距离检查可以发现某些明显断裂或异常,却不是完整几何验收。下一步还需要检查连接处、不同区域之间的碰撞以及后续添加侧链后的化学合理性。当前文件只提供骨架,缺少的侧链不会因为图形软件画出了流畅的卡通图就自动得到验证。对于具体功能问题,真正需要保留的距离、角度或相互作用也应事先定义,再逐项评价,不能完全依赖一个全局平均偏差。
不加载大模型,也能复核文章里的坐标结论
附件提供了独立的坐标读表脚本,只依赖 NumPy,使用同一份参考结构和两个已保存输出重新计算叠合偏差。我们已经用这个独立实现核对过上述结果,并检查文件校验值、编号映射、残基名称和区域标记。读者可以先运行这一步,确认理解输出,再决定是否重新安装完整生成环境。
python3 236-rfdiffusion/coordinate_review.py \
--reference 1CRN.pdb \
--expected 236-rfdiffusion/expected.json \
--directory 236-rfdiffusion
处理轨迹文件时,还发现一个具体格式细节。本次版本的轨迹写出函数用结束模型的记录分隔结构,不能通过清点开始模型的记录来推断采样帧数。我们实际检查了每条设计的两份轨迹,各有五十个结束记录,同时与元数据的步骤数核对。读者自行解析时,应先看几行真实文件,并查清分隔方式。文件扩展名相同,不代表所有写出程序使用完全相同的记录组合。轨迹写出函数
完成这些检查以后,才适合将合格骨架交给序列设计程序。应明确哪些位置需要固定氨基酸、哪些位置只固定空间形状,并把编号转换记录一并传递。随后对候选序列重新预测结构,比较其与目标骨架的一致性,再结合侧链、连接处和功能相关约束筛选。骨架生成、序列设计与结构复核分别留下证据,才能在某个候选失败时找到具体原因,而不是反复更换随机种子却不知道究竟哪一层没有通过。
需要把经过验收的骨架生成与后续序列筛选扩展到更多候选时,可向云生信生物信息分析服务器说明模型版本、链长和候选数量,沟通适合的运行环境。
