使用全原子流图进行几步共折叠

3D 生物分子复合物的全原子生成模型已成为预测蛋白质和蛋白质-配体系统结构的主导范例。然而，生成原子级保真度的结构通常需要昂贵的迭代扩散部署，使得传统部署和推理时间搜索技术的计算成本高昂。在本文中，我们介绍了 Denoiser Cofolding All-Atom Flowmap (DeCAF) 框架，用于将最先进的全原子共折叠模型提炼为全原子流图，只需几个推理步骤即可生成高质量的样本。我们在基于降噪器的流图公式上构建了 DeCAF，其端点损失自然支持 SE(3) 刚性对齐，我们表明这对于训练准确的模型至关重要。我们进一步推导了一个简单的变量变化，使 DeCAF 在 EDM 式架构的 σ 空间噪声表中运行，从而能够从预训练的共折叠扩散模型中直接获得 蒸馏。配备了 DeCAF 的流程图前瞻，我们引入了一个专门构建的推理时间框架，该框架通过奖励引导搜索来改进采样。根据经验，DeCAF-Boltz 在具有挑战性的 Runs N' Poses 上的严格 NFE 预算下，在蛋白质配体姿势的准确性 (RMSD) 和物理有效性分数方面均优于 Boltz-1x，同时还在 PoseBusters 上的所有推理计算预算中显示出更优化的帕累托前沿。 DeCAF-Pearl 提炼了最先进的 Pearl 共折叠模型，其性能优于基于扩散的共折叠模型，并且在成功率上与其老师相匹配，同时使用的 NFE 减少了 5 倍。我们在 https://github.com/genesistherapeutics/decaf 发布了我们的代码。