ELMS评估在环蛋白质设计

基序支架系统通常遵循先生成后过滤的范式：独立生成候选蛋白质，结构评估主要用于终端筛选或排序。这一范式低估了评估的价值：失败的预测包含关于设计需要修复基序几何、全局可折叠性还是其他结构约束的状态特定证据。我们提出ELMS（基于证据的LLM引导蒙特卡洛搜索），一个评估在环的基序支架搜索框架，把这类评估反馈转化为有针对性的设计动作。有效复用结构反馈并不平凡：不同支架状态呈现不同失效模式，反复细化单条轨迹会把算力过早投入序列空间的低产区。ELMS因此把已评估支架保留为持久搜索状态：Critic智能体诊断状态局部结构失败，Policy智能体选择带执行参数的定向算子，基序锁定算子实现合法序列修改，MCTS决定哪些历史状态值得继续投入。在标准GeomMotif协议（每任务100候选）下，ELMS在单基序任务达86.41%、双基序任务84.57%的成功率，分别超过最强先前基线19.3与21.9个百分点。在MotifBench上，同等100候选搜索预算下平均解决30个任务中的26.7个（88.89%任务成功），最强基线为16.0个（53.33%）。