小李想开一家“蛋白设计事务所”，前辈王师傅带他看图纸时说：“设计蛋白质就像设计一栋房子。氨基酸是 20 种建材，序列就是蓝图，而能量函数是结构质检员的评分卡——分数越低，楼越稳。”蛋白质在细胞里自动折叠，就像建好的房子自动定型；序列搜索，是在比宇宙原子还多的建材组合里找到最优蓝图；负样本设计，则是让质检员反复观摩危房照片，练就火眼金睛。今年最火的从头蛋白质设计，就是从一片空地开始：画轮廓、选建材、盖模型、反复改。下面这张“质检评分卡”里藏着哪些门道？我们一层层拆开看。

岗位关联

对 AI 从业者：学完本节，你能读懂 Rosetta 等蛋白设计工具的核心逻辑，理解序列与结构之间的量化关系，为参与抗体工程、酶改造、新功能蛋白设计打下基础。

目录
  1. 可视化演示
  2. 能量函数概述
  3. 能量项构成
  4. 折叠稳定性
  5. 序列-结构关系
  6. 序列搜索算法
  7. 负样本设计
  8. 从头设计流程
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

演示蛋白质能量函数各分量构成、折叠稳定性能量最低化与序列搜索负样本设计，交互切换查看从头蛋白设计核心原理。

本节配有交互动效（进入视口后自动加载，约 3KB）。

能量函数分量分解 键长键角能量项维持共价键几何约束 范德华与静电项驱动疏水核心 packing E_total = E_bond + E_vdw + E_elec 总能量为各物理项加权求和用于评估构象质量

能量函数概述

王师傅把手机递给小李，屏幕上是一个“结构质检评分卡”App：输入一栋楼的蓝图，立刻输出一个数字，数字越低代表楼越稳。在蛋白质世界里，这张评分卡就叫能量函数。能量函数做的是一件事：把“这个蛋白质结构稳不稳”变成一个可比较的数值，数值越低，说明这个三维构象越接近天然状态，蛋白质越容易自发折叠并维持稳定。

设计蛋白质，本质是在不停修改“蓝图”——也就是氨基酸序列，然后用能量函数给修改后的结构重新打分。Rosetta 是行业内最常用的“评分引擎”，它把原子间的各种相互作用拆成多个单项，每项乘一个权重再汇总。分数下降，说明改动让结构更紧实、更少冲突。整个能量景观就像一片山地，天然折叠状态落在最低的谷底，而设计任务就是在这片山地里找出那个最深的谷。

打个比方：质检评分卡不会只看墙厚不厚，还会看地基、防水、电路，每项按重要程度加权，最后汇总成一个总分。能量函数就是蛋白质的这张“汇总评分卡”。

Etotal=∑iwi Ei\displaystyle E_{\text{total}} = \sum_{i} w_i \, E_i
总能量等于各项相互作用（范德华、氢键、静电、溶剂化等）的加权求和，权重体现每项对稳定性的贡献大小。
  1. 总能量整张评分卡的综合分，反映蛋白质当前结构的整体稳定度。
    EtotalE_{\text{total}}
  2. 求和符号把所有打分项逐个累加。
    ∑i\sum_{i}
  3. 权重第 i 项在总分中的影响力，由软件在已知蛋白上标定。
    wiw_i
  4. 单项能量第 i 项相互作用（如范德华力、氢键）的得分。
    EiE_i

能量项构成

王师傅接着解释，质检不能只看一项指标。承重墙的砖块是否贴合，是范德华力；钢梁螺栓是否对准，是氢键；地下室防水做得好不好，是溶剂化；钢筋之间排斥还是吸引，是静电。每一项物理作用都对应能量函数里的一个子项，它们各管一段“受力”。

范德华力在能量函数中常用 Lennard-Jones 势描述：原子太近时会急剧排斥，太远时又缺乏吸引，存在一个最舒服的平衡距离。氢键和静电则决定氨基酸残基之间的方向性配对。溶剂化效应描述疏水残基埋进蛋白质内部、把水分子排开带来的稳定效果。此外还有旋转异构项，约束侧链的扭转角落在常见角度，避免出现拧巴的构象。

这就像砌墙：砖头硬挤会崩裂，离太远又失去支撑。能量函数的每一项，都在描述这种“不能太近、不能太远”的物理分寸。

EvdW=ε[(r0r)12−2(r0r)6]\displaystyle E_{\text{vdW}} = \varepsilon \left[\left(\frac{r_0}{r}\right)^{12} - 2\left(\frac{r_0}{r}\right)^{6}\right]
范德华能量随原子距离变化：距离太近时以 r 的 12 次方急剧上升（排斥），距离合适时以 r 的 6 次方产生吸引，形成“刚好卡住”的稳定状态。
  1. 井深两个原子在平衡距离处吸引强度的最大值，ε 越大吸引力越强。
    ε\varepsilon
  2. 当前距离两个原子此刻的实际距离，单位通常是埃。
    rr
  3. 平衡距离两原子最舒适的标准间距，小于它就会撞在一起。
    r0r_0
  4. 排斥项原子靠太近时急剧推开的项，保护原子不重叠。
    (r0r)12\left(\frac{r_0}{r}\right)^{12}
  5. 吸引项距离合适时把原子轻轻拉住的项，配 2 倍系数让最优点落在 r0。
    −2(r0r)6-2\left(\frac{r_0}{r}\right)^{6}

折叠稳定性

房子最怕的是什么？散架。一堆建材堆在地上（未折叠态）和一栋定型的大楼（折叠态）之间，存在一个稳定性的差距。蛋白质把这个差距叫折叠自由能，记作 ΔG_fold。只有当它小于零，折叠态比散件状态更“省能量”，蛋白质才会自发折叠并保持住形状。

天然蛋白质的折叠自由能通常在 -5 到 -15 kcal/mol，相当于一个很缓的坡，刚好够用。设计时太弱会塌，太强又会把蛋白锁死。折叠过程还会经过“熔球中间态”——像刚浇筑还没干透的混凝土楼，结构松散、容易塌方。设计者常用突变扫描（如丙氨酸扫描）逐个替换关键残基，看哪个位置一换就塌，从而定位维持稳定性的“承重墙”。

换句话讲，好的设计不是让建材“勉强拼起来”，而是让它们天然就有互相咬合的倾向——一松手就“咔哒”一声卡成整体，风吹雨打也不散。

ΔGfold=Gfolded−Gunfolded<0\displaystyle \Delta G_{\text{fold}} = G_{\text{folded}} - G_{\text{unfolded}} < 0
折叠态自由能减去未折叠态自由能，结果为负时折叠态更稳定，蛋白质倾向自发折叠。
  1. 折叠态自由能蛋白完全形成三维结构后的能量状态，对应“定型的楼”。
    GfoldedG_{\text{folded}}
  2. 未折叠态自由能肽链散开时的能量状态，对应“一堆建材”。
    GunfoldedG_{\text{unfolded}}
  3. 折叠自由能差两者之差，是折叠驱动力的直接度量。
    ΔGfold\Delta G_{\text{fold}}
  4. 小于零判据折叠态能量更低，折叠过程才愿意自动发生。
    <0< 0

序列-结构关系

给定一栋建筑的外观，该选哪批建材来盖？答案是：同一栋楼可以有多种建材组合，但有些组合特别结实，有些一推就倒。蛋白质也是如此：给定目标三维结构，合适的氨基酸序列有很多条，但能量越低的序列，落在正确结构的概率越大。

把结构约束转化为序列选择的工具，是玻尔兹曼分布：一条序列放进目标结构里能量越低，被“选中”的概率就指数级上升。设计时用到的“正设计”策略，是让目标结构的能量尽量低；而“逆变换”则是从结构反推序列，检查哪些位置必须用某种氨基酸（保守位点），哪些位置可以灵活替换（可变位点）。序列兼容性越好，结构越不容易走样。

这就好比选建材：砖和水泥的配对越严丝合缝，施工队越愿意采用这套方案；而“差不多能用”的组合虽然也存在，但在长期风化和震动中迟早露馅。

P(seq∣struct)∝exp⁡(−E(seq,struct)kT)\displaystyle P(\text{seq} \mid \text{struct}) \propto \exp\left(-\frac{E(\text{seq}, \text{struct})}{kT}\right)
给定结构时，一条氨基酸序列出现的概率与它的能量成指数反比：能量越低，序列与结构越“匹配”，越可能被自然选择保留下来。
  1. 条件概率给定目标结构时，出现某条序列的概率。
    P(seq∣struct)P(\text{seq} \mid \text{struct})
  2. 匹配能量该序列装进该结构后的总能量分。
    E(seq,struct)E(\text{seq}, \text{struct})
  3. 指数函数把能量差放大成概率权重，一点点能量优势就能拉开很大差距。
    exp⁡\exp
  4. 热运动尺度k 是玻尔兹曼常数，T 是温度。温度越高，系统越能容忍高能量方案。
    kTkT
  5. 正比符号所有序列的权重归一化后，就得到真实概率。
    ∝\propto

序列搜索算法

20 种氨基酸 × 100 个设计位点，就是 10 的 130 次方种组合——比可观测宇宙里的原子总数还要多。小李问：“这不等于大海捞针吗？”王师傅笑了：“所以老工程师从来不全捞，而是凭经验撒网、再逐步收网。”

这就是序列搜索算法要解决的问题。Rosetta 的经典做法是“片段组装”：从已知蛋白结构库里切出小片段，像搭积木一样拼出新的骨架，再在骨架上做序列设计。蒙特卡洛方法随机挑一个位置换掉氨基酸，能量下降就保留，能量升高则大概率撤回。贪心搜索每次都只接受当前最优的改动，速度快但容易卡在局部最优。模拟退火则聪明得多：它在早期用高“温度”容忍差的方案，后期再降温精细打磨，像先大步试错、再小步修正。

设计师改图也是这样：看到一个方案似乎更差，别急着撕掉，拿着它走两步，有时能绕开死胡同，找到一条通往更稳结构的山路。

Paccept=exp⁡(−ΔET)\displaystyle P_{\text{accept}} = \exp\left(-\frac{\Delta E}{T}\right)
模拟退火接受新方案的概率：能量变好（ΔE<0）时必接受；能量变差时以 e^(-ΔE/T) 的概率容忍，用随机性换探索广度。
  1. 能量差新方案相对当前方案的能量变化，正则更差。
    ΔE\Delta E
  2. 温度参数控制随机性的“热度”，高温时敢闯，低温时求稳。
    TT
  3. 接受概率变差越少、温度越高，越容易被试探性接受。
    exp⁡(−ΔET)\exp\left(-\frac{\Delta E}{T}\right)
  4. 决策规则生成随机数，小于该概率就接受新方案。
    PacceptP_{\text{accept}}

负样本设计

质检员上岗前要干什么？看大量危房照片，看到吐为止。只看过合格楼的人，分不清“看似能住、实则要塌”的隐患房。在蛋白设计里，这些“危房”叫负样本，英文叫 decoy——它们是和目标结构相似、但能量更高的错误构象。

打分函数要让天然态在能量上“碾压”所有 decoy，形成一张能量漏斗：越往谷底（天然态）走，能量越低，任何偏离都只能往上爬。如果某个 decoy 的能量比天然态还低，说明打分函数出现漏洞，轻则让设计失效，重则筛选出一堆错误折叠。因此负样本设计是打分函数调优的关键环节：生成的 decoy 要“像但错”，越接近天然态的假构象，训练价值越高。

危房照片看得越多，质检员越能一眼挑出隐患。decoy 就是打分函数的“危房训练集”，让它在成千上万相似结构里，稳稳把真正的“合格楼”选出来。

ΔE=E(decoy)−E(native)>0\displaystyle \Delta E = E(\text{decoy}) - E(\text{native}) > 0
诱饵结构能量减去目标结构能量，结果为正时目标结构才是真正的能量最低点，打分函数才可靠。
  1. 诱饵能量一个精心构造的错误构象的能量分。
    E(decoy)E(\text{decoy})
  2. 天然态能量目标折叠结构的能量分。
    E(native)E(\text{native})
  3. 能量差距两者相减，度量打分函数对真假结构的区分力。
    ΔE\Delta E
  4. 大于零天然态必须始终比所有 decoy 低，设计才算过关。
    >0> 0

从头设计流程

最后，王师傅带小李完整走了一遍“从零盖楼”的流程。从头设计蛋白，就像在一块空地上从零开始：先定建筑轮廓，也就是选择或设计目标骨架；再选建材，也就是在骨架上填氨基酸序列；然后盖模型验证，也就是做湿实验；最后根据测试结果反复修改。

实际项目中，Rosetta 通常先在骨架的每个位点上摆放侧链构象，用能量函数挑出低能量组合，再通过蒙特卡洛/模拟退火迭代优化。计算打分筛出候选序列后，进入基因合成、蛋白表达、纯化、圆二色谱和晶体结构测定等湿实验验证。如果结构对不上或稳定性不够，就带着实验结果回到计算端修改。整个过程不是一锤子买卖，而是“计算-实验”的迭代循环。

一张蓝图从第一笔草图到最终交付，中间要经历无数轮“画-算-建-改”。蛋白设计的本质也一样：计算给出方向，实验给出反馈，迭代才能逼近那个真正“稳得住”的答案。

DesignScore=wfold ΔGfold+wdecoy (Enative−Edecoy)\displaystyle \text{DesignScore} = w_{\text{fold}} \, \Delta G_{\text{fold}} + w_{\text{decoy}} \, (E_{\text{native}} - E_{\text{decoy}})
设计的综合评分等于折叠稳定性与负样本区分度的加权和：既要自身够稳，又要和错误构象拉开差距，才值得进入实验验证。
  1. 流程权重两个子项各自在总评分中的重要程度。
    wfold,  wdecoyw_{\text{fold}}, \; w_{\text{decoy}}
  2. 折叠稳定性项折叠自由能越负，代表蛋白越容易自发折叠。
    ΔGfold\Delta G_{\text{fold}}
  3. 区分度项天然态与诱饵的能量差越大，说明设计方案越“独一无二”。
    Enative−EdecoyE_{\text{native}} - E_{\text{decoy}}
  4. 综合评分两项加权求和，分数越高，方案越值得花钱做实验。
    DesignScore\text{DesignScore}

AI 应用场景

抗体 CDR 环区稳定性设计

阶段：序列设计与打分筛选

解决的问题：抗体 CDR 环区柔性大、容易降解，传统方法靠噬菌体展示一轮轮筛，周期长成本高。用能量函数对候选突变体批量打分，能快速锁定位点组合，只把能量最低的序列送去表达验证。

具体案例：某生物技术公司设计抗 PD-L1 纳米抗体时，对 CDR H3 环做丙氨酸扫描结合 Rosetta 能量评估，最终挑选的能量优化变体在 CHO 细胞中表达量提升约 2 倍，且热稳定性明显改善。

工业酶热稳定性改造

阶段：折叠稳定性评估

解决的问题：工业酶在高温反应中容易失活，逐一突变试错成本高。能量函数可以计算每个突变对折叠自由能 ΔG 的影响，优先保留使 ΔG 更负的“加固”突变。

具体案例：某淀粉酶改造项目中，工程师用 FoldX/Rosetta 评估 200 多个候选突变，选出 3 个稳定化突变组合后，酶的熔点 Tm 提高约 15°C，在 70°C 下酶活保持时间延长了 4 倍。

从头设计病毒阻断蛋白

阶段：全流程从头设计

解决的问题：自然界中不存在能紧密结合病毒刺突蛋白的现成蛋白，需要从头设计一个全新蛋白来阻断病毒感染。

具体案例：华盛顿大学团队用 Rosetta 设计出针对 SARS-CoV-2 刺突蛋白的迷你结合蛋白，一轮计算设计加湿实验验证就获得纳摩尔级亲和力，并完成了晶体结构确证，是“计算设计+实验反馈”闭环的经典案例。

Python 演示

python52 行
import mathimport random AA = list("ACDEFGHIKLMNPQRSTVWY") H = {    'A': 1.8, 'C': 2.5, 'D': -3.5, 'E': -3.5,    'F': 2.8, 'G': -0.4, 'H': -3.2, 'I': 4.5,    'K': -3.9, 'L': 3.8, 'M': 1.9, 'N': -3.5,    'P': -1.6, 'Q': -3.5, 'R': -4.5, 'S': -0.8,    'T': -0.7, 'V': 4.2, 'W': -0.9, 'Y': -1.3} def pocket_score(seq):    """模拟疏水核心能量: 疏水残基贡献负能量, 相邻带电残基产生惩罚"""    score = 0.0    n = len(seq)    for i in range(n):        if H[seq[i]] > 2:            score -= 0.3 * H[seq[i]]        if i > 0 and H[seq[i]] < -3 and H[seq[i-1]] < -3:            score += 0.8    return score def design(start_seq, steps=500, temp=0.5):    """蒙特卡洛序列搜索: 接受更优方案, 以模拟退火概率接受较差方案"""    cur = list(start_seq)    cur_e = pocket_score(cur)    best = cur[:]    best_e = cur_e    for _ in range(steps):        pos = random.randrange(len(cur))        old = cur[pos]        cur[pos] = random.choice(AA)        new_e = pocket_score(cur)        delta = new_e - cur_e        if delta < 0 or random.random() < math.exp(-delta / temp):            cur_e = new_e            if cur_e < best_e:                best_e = cur_e                best = cur[:]        else:            cur[pos] = old    return "".join(best), best_e random.seed(42)start = "".join(random.choice(AA) for _ in range(20))best_seq, best_e = design(start, steps=500, temp=0.5) print("初始序列能量:", pocket_score(start))print("优化后序列能量:", best_e)print("优化后序列:", best_seq)
目的：用简化疏水能量函数给 20 个位点的随机序列打分，再用蒙特卡洛 + 模拟退火搜索能量更低的序列，模拟蛋白设计中的序列优化循环。
  1. AA = list("ACDEFGHIKLMNPQRSTVWY")定义 20 种标准氨基酸作为“建材库”。
  2. score -= 0.3 * H[seq[i]]疏水残基越多，能量越负，模拟疏水核心埋藏带来的稳定效果。
  3. delta = new_e - cur_e新旧方案的得分差是接受或拒绝的核心依据。
  4. if delta < 0 or random.random() < math.exp(-delta / temp)变差方案也有概率被接受，这就是模拟退火跳出局部陷阱的机制。
  5. else: cur[pos] = old被拒绝的突变要回退到原来的氨基酸。
  6. best_seq = list(cur_seq)记录搜索历史中能量最低的方案，作为最终设计输出。
  7. temp=0.5温度参数越小，程序越保守，后期趋于贪婪精修。

常见误区

误区序列在 Rosetta 里打分很低，设计就肯定能成功表达和折叠。我可是挑了分数最低的那个！

正解能量函数只评估理论稳定度，是必要非充分条件。它告诉你“这栋楼图纸上很稳”，但细胞里能否表达、能否溶解、是否形成正确的二硫键，能量函数覆盖不全。必须做湿实验验证：表达纯化、圆二色谱、晶体结构，一个都不能少。就像质检 App 说楼稳，还得看施工队能不能真盖出来。

为何常见：Rosetta 分数是设计流程中最显眼的数字，新手很自然把“分数低”等同于“成功”。

误区算力足够强的话，把 20 的 n 次方种序列全部算一遍，取能量最低的不就行了？

正解100 个位点就有 10 的 130 次方种组合，远超宇宙原子数。穷举在物理上不可能，必须用启发式搜索——蒙特卡洛、模拟退火、遗传算法等。这些算法不保证全局最优，但能在合理时间内找到“足够好”的候选序列，再交给实验筛选。

为何常见：穷举是程序员面对搜索问题时的直觉反应，但组合爆炸让它在序列设计领域完全不可行。

误区Decoy 就是数据集，多生成几万个随机序列丢进去，打分函数自然越训越好。

正解Decoy 必须“像但错”——与天然态构象相近但能量略高的陷阱构象才有训练价值。完全随机的无意义构象跟天然态差太远，打分函数轻松区分，对提升判别力没有帮助。高质量的 decoy 集合要求精心构造，重在物理合理性而非单纯数量。

为何常见：机器学习里“数据量越大越好”是通用直觉，但 decoy 是有物理约束的构象，不能像图像标注一样堆数量。

误区ΔG 越负，蛋白就越稳定，设计就越成功，最好能到负数无穷大。

正解天然球蛋白的 ΔG 通常只有 -5 到 -15 kcal/mol，说明“刚好够稳”才是常态。过度稳定会让蛋白丧失构象柔性，活性位点被锁死，甚至形成非天然的异常堆积。设计的正确目标是：稳定住目标构象，同时保留功能所需的动态性。

为何常见：把“稳定”想成线性单调的指标，忽略了蛋白质功能依赖构象变化的本质。

面试题

Q1. 蛋白质能量函数的核心作用是什么？

单选题 · easy

  • A.合成蛋白质的实验方法
  • B.给结构稳定度打一个分数← 正确答案
  • C.直接显示蛋白的三维图像
  • D.计算蛋白的氨基酸数量

答案：B。能量函数把物理相互作用折算成数值，分数越低结构越稳定。A 是实验流程，C 是可视化工具，D 是序列统计，都与“评估稳定度”无关。

Q2. 能量函数得分越低，代表蛋白质结构？

单选题 · easy

  • A.越不稳定
  • B.越稳定← 正确答案
  • C.分子量越大
  • D.序列越长

答案：B。能量越低，构象越接近天然态，结构越稳定。分子量和序列长度是序列本身的属性，与构象稳定度无关。

Q3. Lennard-Jones 势能描述哪些现象？

多选题 · easy

  • A.原子贴太近时的强排斥← 正确答案
  • B.原子距离合适的弱吸引← 正确答案
  • C.蛋白质的氨基酸数量
  • D.溶液的酸碱度变化

答案：AB。Lennard-Jones 势包含 r^-12 排斥项和 r^-6 吸引项，描述原子间“太近推开、合适拉住”的范德华作用。C 和 D 与范德华力无关。

Q4. 折叠自由能 ΔG_fold < 0 意味着什么？

单选题 · mid

  • A.蛋白质无法自发折叠
  • B.折叠态比未折叠态更稳定← 正确答案
  • C.未折叠态能量更低
  • D.蛋白质一定会降解

答案：B。ΔG_fold = G_folded - G_unfolded，小于零说明折叠态能量更低、更稳定，蛋白质倾向自发折叠。A、C 说反了，D 与热稳定性而非折叠驱动有关。

Q5. Boltzmann 分布中 exp(-E/kT) 说明什么？

单选题 · mid

  • A.能量越高对应概率越大
  • B.能量越低对应概率越大← 正确答案
  • C.概率与能量没有关系
  • D.温度变化不影响概率

答案：B。指数函数里 E 前有负号，能量越低，指数越大，概率越高。温度 T 在分母上，升高温度会削弱能量差异的影响，并非完全无关。

Q6. 模拟退火中偶尔接受能量升高方案的目的？

单选题 · mid

  • A.让序列长度不断增加
  • B.帮助跳出局部能量陷阱← 正确答案
  • C.降低程序运行的时间
  • D.让蛋白质结构更稳定

答案：B。如果只接受能量降低的方案，搜索会卡在局部极小值。偶尔接受变差方案能翻越能量“山脊”，有机会找到全局最优谷。这与运行时间无关，也不会直接增加序列长度。

Q7. Rosetta 在蛋白设计中的主要角色是？

单选题 · mid

  • A.荧光显微镜的配件
  • B.蛋白质建模与设计软件← 正确答案
  • C.基因测序的仪器
  • D.氨基酸序列数据库

答案：B。Rosetta 是一套集结构预测、序列设计、能量打分于一体的计算蛋白设计软件，被广泛用于从头设计和突变稳定性评估。其他选项都是实验室硬件或数据资源。

Q8. 在 E_vdW = ε[(r0/r)^12 - 2(r0/r)^6] 中，能量最低点出现在？

单选题 · extreme

  • A.r 等于平衡距离 r0 处← 正确答案
  • B.r 大于 2 倍 r0 处
  • C.r 小于一半 r0 处
  • D.r 趋近无穷大的位置

答案：A。对 r 求导并令导数为零，可得 r = r0 时势能最低（等于 -ε）。r 无穷大时势能趋近 0，不是最低；r 太近时排斥项急剧上升。该极值性质让 r0 成为最优原子间距。

Q9. 下列哪些属于蛋白质能量函数的常见能量项？

多选题 · hard

  • A.范德华相互作用← 正确答案
  • B.氢键与静电作用← 正确答案
  • C.网络带宽与延迟
  • D.疏水溶剂化效应← 正确答案

答案：ABD。能量函数由物理/经验项构成，包括范德华力、氢键、静电、溶剂化、旋转异构等。C 是计算机网络概念，与分子力场完全无关。

Q10. 关于负样本（decoy）设计的说法，哪些正确？

多选题 · hard

  • A.用来训练更可靠的打分函数← 正确答案
  • B.能检验目标结构是否能量最低← 正确答案
  • C.随机生成几万个即可无需筛选
  • D.应覆盖与天然态相近的陷阱构象← 正确答案

答案：ABD。decoy 是精心构造的“像但错”的构象，用来训练和检验打分函数，确保天然态能量低于所有诱饵。C 忽略了对陷阱构象的质量要求，随机堆积只增数量、不增判别力。