想象你清晨走进一座被浓雾笼罩的动物园。5 米之外一片苍白，只有隐隐约约的轮廓。但一位经验丰富的向导却能凭轮廓告诉你：雾里那根弯曲的长脖子是长颈鹿，那块厚重的灰影是河马。更神奇的是，如果你提出“我需要一只背上长翅膀的老虎”，向导真的能在雾散去之后，从混沌中“生成”一个自然界不存在的新动物。 这就是扩散模型在蛋白质设计中所做的事。蛋白质是微观世界里的“动物”，由氨基酸链条折叠成三维形状。RFdiffusion 就像一个经过海量训练、深谙蛋白质折叠规律的向导：它从完全随机的噪声出发，通过一步步“让雾气消散”的去噪过程，生成具有特定功能的蛋白质骨架。如果你给它条件——比如“这里要有一个能抓住药物的口袋”——它就会在生成的每一步都遵从你的指示。 本文将带你走进这座“雾中动物园”，理解扩散模型如何从像素世界迁移到蛋白质空间，认识 RFdiffusion 的架构、条件设计策略、验证方法，以及它在抗体药物、酶工程等领域带来的革命性应用价值。
掌握 RFdiffusion 与扩散模型设计，你不仅能用 AI 生成全新蛋白质骨架，还能把生成式 AI 的核心思想迁移到药物设计、酶工程和科学智能领域，成为生物+AI 的稀缺复合人才。
可视化演示
演示蛋白质空间扩散建模、前向加噪与反向去噪、条件生成与功能位点约束，直观展示如何从随机结构生成特定功能蛋白骨架。
本节配有交互动效（进入视口后自动加载，约 3KB）。
蛋白质空间扩散建模 三维坐标空间 连续坐标扩散 在三维骨架坐标空间对蛋白质结构建模
蛋白质结构入门
清晨的动物园浓雾弥漫，你看不清 10 米外的动物。但当一头长颈鹿把头从雾里探出，你会看到它瘦长的脖颈；当一头河马走到栏杆边，你会认出它宽厚的轮廓。这些动物外形千差万别，骨架却有共同规则——脊柱、肋骨、四肢。蛋白质就像一个微观动物园：种类繁多，但都遵循同一套“骨架设计语言”。
这套语言从氨基酸序列开始。20 种氨基酸首尾相连形成肽链，这是蛋白的一级结构；肽链在局部回旋出 α-螺旋、β-折叠等二级结构；整条链再折叠成三维空间的三级结构；多条链拼在一起就形成四级结构。对 RFdiffusion 来说，最核心的不是序列，而是三维骨架坐标——也就是主链原子在空间中的位置，相当于动物园里的“动物骨架标本”。
蛋白设计者常说“结构决定功能”：能识别病毒的蛋白，其表面一定有一块能与病毒表面互补的凹陷；能催化化学反应的酶，其活性中心注定是特定形状。因此，AI 能设计出正确的骨架，就相当于为功能画好了蓝图。
所以，想象你是动物园向导：手里拿着动物骨架图册。你不需要记住每个品种的毛发颜色，但必须能画出轮廓——这就是骨架坐标在蛋白设计中的意义。
- 序列集合$\mathcal{S}$ 表示一条由 n 个氨基酸按顺序连成的链，每个 $s_i$ 是 20 种氨基酸之一。
- 骨架坐标$\mathcal{X}$ 表示每个残基对应的三维空间坐标点，例如主链上的碳原子位置。
- 设计目标RFdiffusion 负责生成 $\mathcal{X}$，后续的序列设计工具再根据骨架把 $\mathcal{S}$ 补全，二者共同决定蛋白质的功能。
扩散模型核心
雾越来越浓了。一开始你还能看清动物身上的花纹，后来连四肢都变得模糊，最后眼前只剩一片白茫茫。这就是扩散模型的前向过程：向真实结构中逐步加入噪声，直到它彻底变成随机信号。反过来，清晨太阳升起时，雾气一层层散去，轮廓一点点清晰——这就是反向去噪过程。
扩散模型的核心思想，就是让 AI 学会“让雾消散”的本领。训练时，我们取一批真实样本（比如已知蛋白质骨架），随机选择一个时间步 t，给它加上特定强度的噪声，得到一个模糊版本。然后让网络去预测“刚才加入了什么噪声”。这个训练目标简单有力：预测准了，网络就懂得如何从模糊中恢复清晰。
向导的学习材料就是无数对“雾前清晰动物”和“雾中模糊影子”。他读得越多，就越能凭一个模糊色块猜出动物的真实轮廓——这就是扩散模型在蛋白质设计中的基本功。
- 期望$\mathbb{E}$ 表示对所有时间步、所有训练样本和所有随机噪声取平均，让网络在各种模糊程度下都表现稳定。
- 真实噪声$\boldsymbol{\epsilon}$ 是前向加噪时随机生成的高斯噪声，它是标准答案。
- 预测噪声$\boldsymbol{\epsilon}_\theta(\mathbf{x}_t,t)$ 是去噪网络根据当前模糊骨架 $\mathbf{x}_t$ 和时间步 t 预测出来的噪声。θ 是网络参数。
- 平方误差$\left\|\cdot\right\|^2$ 计算两者逐元素差额的平方和，作为优化目标来更新网络参数。
图像到蛋白迁移
这位向导原本是在城市里训练出来的——他擅长修复被雾霾蒙住的老照片，把模糊的像素网格还原成清晰图像。现在你把他带进动物园，让他辨认三维动物。他发现老本领在三维空间里不够用：动物会转身、会走动、会换角度，他得学会“无论从哪个方向看都能认出同一只动物”。
这正是从图像扩散迁移到蛋白质扩散的关键挑战。图像是规则的二维像素网格，卷积网络随手可得；而蛋白质骨架是三维空间中不规则的连点坐标。为了让网络理解“旋转和平移不会改变蛋白质的本质”，我们需要一种特殊的保证：SE(3) 等变性。它让网络在对输入做任意旋转、平移时，输出也跟着同步旋转、平移，就像向导无论站在哪个方向都能给出同样的判断。
老照片修复专家升级成了三维雕塑鉴赏家。他不再关心像素格子，而是关心空间中那些“看不见的对称规则”——这正是 SE(3) 等变网络带给扩散模型的核心能力。
- 变换操作$g$ 是 SE(3) 群中的一个变换，比如把动物向左转 30 度或移动到另一个位置。
- 等变条件$f(g\cdot\mathbf{x})$ 表示“先旋转输入，再送入网络”；$g\cdot f(\mathbf{x})$ 表示“先送入网络，再把输出旋转”。
- 实际意义无论蛋白质怎么旋转、怎么挪动位置，网络给出的骨架结构在物理上是一致的，不会因为观测角度不同而改变判断。
RFdiffusion架构
向导的背包里装了三样宝贝：一台测距仪（处理三维坐标）、一本动物图鉴（提供氨基酸信息）、一个逐步对焦的镜头（多步去噪）。RFdiffusion 的架构正是如此：它基于 RoseTTAFold 网络，融合了结构模块与序列模块，以扩散模型的方式逐轮优化蛋白骨架。
具体来说，RFdiffusion 从一个完全随机的骨架噪声开始，通过去噪网络预测每一步应该去除的噪声，然后按照重参数化公式更新坐标。每一轮迭代，骨架都会更紧凑、更合理。因为网络同时参考了氨基酸序列信息（如果有条件输入），它在去噪时能够自觉避开“不可能折叠”的构象，就像向导会根据动物腿部比例排除“三条腿的斑马”。
向导每眨一次眼，镜头就更清晰一分。多轮迭代之后，那个原本只有灰白噪声的画面，最终定格为一条优雅折叠的蛋白骨架。
- 当前骨架$\mathbf{x}_t$ 是第 t 步含噪声的骨架坐标。
- 方向修正$\boldsymbol{\epsilon}_\theta(\mathbf{x}_t,t)$ 是网络预测的噪声，用系数 $\frac{1-\alpha_t}{\sqrt{1-\bar{\alpha}_t}}$ 控制修正幅度。
- 尺度恢复$\frac{1}{\sqrt{\alpha_t}}$ 把坐标缩放回正确范围，避免骨架逐步缩小或漂移。
- 随机扰动$\sigma_t\,\mathbf{z}$ 加上随机噪声项，保证生成多样性，不会每次都产出同一个蛋白。
条件设计策略
游客找到向导：“我需要一只会抓鱼的鸟，但它的喙要足够长。”向导点点头，在接下来的每一步探索中，都不断参考这个要求：喙的长短、鱼的大小、脖子弯曲的方式……最终雾散之后，一只符合要求的鸟站在眼前。条件生成就是这样：把用户的需求揉进采样过程的每一个去噪步骤。
RFdiffusion 支持多种条件设计方式：第一，目标口袋约束——给定靶蛋白表面的一个区域，让生成的蛋白恰好贴合这个结合位点；第二，形状引导——提供一个轮廓或形状向量，引导骨架走向；第三，功能残基指定——把酶催化位点等关键氨基酸固定在特定位置，再让扩散模型填充周围结构；第四，多聚体复合物——同时生成多个相互作用的亚基，让它们能自组装。
游客的愿望不是生成结束后的滤镜，而是从一开始就嵌入了向导的每一步判断。这正是条件扩散能够精准设计功能性蛋白的关键。
- 条件输入$\mathbf{c}$ 是用户指定的条件信息，例如结合口袋坐标或功能残基位置。
- 条件去噪网络$\boldsymbol{\epsilon}_\theta(\mathbf{x}_t,t,\mathbf{c})$ 表示把条件 c 与噪声骨架、时间步一起送入网络，让网络在满足条件的前提下预测噪声。
- 训练目标与无条件扩散相同，仍是让预测噪声逼近真实噪声，但由于输入中带上了条件，生成的骨架会自动服从条件约束。
评估验证方法
向导画好了一张动物素描，可游客怎么知道它靠不靠谱？办法是拿素描和动物园的物种图鉴比对。AI 蛋白设计也一样：生成一份骨架后，需要验证它能否真正折叠成预期结构。最常用的验证工具是 AlphaFold2——把生成的骨架补全成氨基酸序列，再让 AlphaFold2 折叠这个序列，看它是否“认回”原本的骨架形状。
AlphaFold2 会为每个残基输出一个 pLDDT 置信度分数，分数越高代表该区域折叠越可信；同时，我们把预测结构与设计骨架进行 RMSD 比对。RMSD 就像“两张素描叠在一起时的偏差量”：值越小，说明预测结构与设计结构越一致，设计越成功。通过计算筛选的候选蛋白，最后还要进入湿实验室，用基因合成、蛋白表达和结构解析来验证。
向导画得再自信，最终也要回到图鉴和实地考察中去验证。计算验证与湿实验形成闭环，才能让 AI 设计的蛋白质走出图纸，成为真正可用的生物工具。
- 设计坐标$\mathbf{x}_i^{\mathrm{design}}$ 是 RFdiffusion 生成的第 i 个残基的骨架坐标。
- 预测坐标$\mathbf{x}_i^{\mathrm{pred}}$ 是 AlphaFold2 根据序列折叠出的第 i 个残基坐标。
- 平均偏差对所有 n 个残基的距离平方求和，取平均再开根号，得到的 RMSD 值越小，说明设计与预测越吻合。
应用案例展望
向导学成出师，离开动物园，走进广袤的自然保护区。他不再只是辨认已有的动物，而是能根据生态需求设计新物种——这正是 RFdiffusion 正在做的事：设计自然界中不存在的蛋白质，去解决人类面临的真实问题。
在药物领域，RFdiffusion 已经成功设计出针对 SARS-CoV-2 的微型结合蛋白，这些小蛋白能像“分子胶布”一样粘住病毒表面，阻止病毒入侵细胞；在疫苗设计中，它可生成能展示抗原的蛋白纳米笼，把多个抗原簇聚在一起，增强免疫反应；在酶工程中，研究人员用它重设计酶的活性中心骨架，让酶催化新的底物，甚至突破天然酶的催化极限。
从雾中识物到雾中造物，扩散模型帮助人类第一次实现了“按需设计蛋白质”。随着成功率的不断提升，AI 驱动的蛋白质设计将深刻改变药物研发、生物制造与科学智能的未来图景。
- 样本总量$N$ 是生成并验证的蛋白设计数量。
- 达标判定$\mathbb{1}\left[\mathrm{RMSD}_i<\tau\right]$ 是示性函数——第 i 个设计的 RMSD 小于阈值 τ 就记为 1，否则记为 0。
- 成功率$\frac{1}{N}\sum_{i=1}^{N}$ 计算所有设计中达标样本的占比，这是衡量生成式 AI 蛋白设计水平的重要指标。
AI 应用场景
场景 1：抗体与微型结合蛋白设计
阶段：条件生成与结构设计
解决的问题：传统抗体筛选依赖免疫动物或噬菌体库，周期长、成功率低、对特殊靶点（如病毒保守表位）难以奏效。RFdiffusion 可以直接从靶蛋白表面的口袋条件出发，设计出能精准结合靶点的微型蛋白，全程计算驱动。
具体案例：针对 SARS-CoV-2 刺突蛋白，研究团队用 RFdiffusion 生成数千个候选微型结合蛋白，经 AlphaFold2 结构验证筛选后，将高置信候选送入湿实验室表达和功能测定，成功获得了能在皮摩尔浓度下中和病毒的蛋白质药物候选分子。
场景 2：酶工程与活性位点重塑
阶段：功能残基约束下的骨架生成
解决的问题：天然酶往往底物特异性窄、催化效率低、稳定性差。传统定向进化需要在大量突变体中反复筛选，效率低。RFdiffusion 支持指定功能残基（如催化三联体）并生成能稳定呈现该残基的新骨架，从而设计更稳定的酶。
具体案例：在工业生物催化项目中，科研人员把目标底物的口袋形状作为条件，让 RFdiffusion 生成新的酶骨架，补全序列后通过实验室表达验证，产出了能催化非天然底物的高活性酶变体，中试转化率提升数倍。
场景 3：自组装蛋白纳米材料
阶段：多聚体复合物生成与组装设计
解决的问题：疫苗和药物递送需要纳米级载体。传统蛋白纳米材料依赖天然组装模块，设计空间小。RFdiffusion 可同时生成多个相互作用的蛋白亚基，引导它们自组装成笼状或管状结构，用来展示抗原或包载药物。
具体案例：某疫苗研发团队利用 RFdiffusion 设计了一种 24 亚基的蛋白纳米笼，把流感病毒抗原展示在表面后，免疫实验显示抗体滴度比可溶性抗原提高一个数量级，展现出强大的佐剂增效潜力。
Python 演示
import mathimport random import torchimport torch.nn as nn # 1. 构造一个 2D 螺旋"蛋白骨架"训练集T = 50train_x = []for _ in range(256): for i in range(20): t = i / 20 x = 0.5 + 0.3 * math.cos(t * 4 * math.pi) + random.uniform(-0.02, 0.02) y = 0.5 + 0.3 * math.sin(t * 4 * math.pi) + random.uniform(-0.02, 0.02) train_x.append([x, y])X = torch.tensor(train_x, dtype=torch.float32) # 2. 前向加噪的噪声调度betas = torch.linspace(0.0001, 0.02, T)alphas = 1 - betasalpha_bar = torch.cumprod(alphas, dim=0) def q_sample(x0, t): noise = torch.randn_like(x0) a_bar = alpha_bar[t].view(-1, 1) xt = torch.sqrt(a_bar) * x0 + torch.sqrt(1 - a_bar) * noise return xt, noise # 3. 极简去噪网络：输入坐标和时间步，预测噪声class NoiseNet(nn.Module): def __init__(self): super().__init__() self.net = nn.Sequential( nn.Linear(3, 64), nn.SiLU(), nn.Linear(64, 64), nn.SiLU(), nn.Linear(64, 2) ) def forward(self, xt, t): t = t.unsqueeze(-1).float() / T return self.net(torch.cat([xt, t], dim=-1)) model = NoiseNet()opt = torch.optim.Adam(model.parameters(), lr=1e-3) # 4. 训练：让网络学会预测前向过程加入的噪声for step in range(400): idx = torch.randint(0, X.shape[0], (64,)) x0 = X[idx] t = torch.randint(0, T, (64,)) xt, noise = q_sample(x0, t) pred = model(xt, t) loss = nn.functional.mse_loss(pred, noise) opt.zero_grad() loss.backward() opt.step() # 5. 反向去噪：从随机噪声出发，逐步生成骨架点model.eval()with torch.no_grad(): x = torch.randn(20, 2) for t in range(T - 1, -1, -1): noise_pred = model(x, torch.full((x.shape[0],), t, dtype=torch.long)) a = alphas[t] a_bar_t = alpha_bar[t] if t > 0: a_bar_prev = alpha_bar[t - 1] sigma = math.sqrt((1 - a) * (1 - a_bar_prev) / (1 - a_bar_t)) else: sigma = 0.0 x = (1 / math.sqrt(a)) * (x - (1 - a) / math.sqrt(1 - a_bar_t) * noise_pred) if t > 0: x = x + sigma * torch.randn_like(x)print("采样完成：从随机噪声生成20个骨架点")print(x.numpy().tolist())
xt = torch.sqrt(a_bar) * x0 + torch.sqrt(1 - a_bar) * noise前向加噪：按时间步强度混合真实样本与随机噪声。loss = nn.functional.mse_loss(pred, noise)训练目标：让网络预测的噪声逼近真实噪声。for t in range(T - 1, -1, -1)反向去噪：从最后一个噪声步逐步往回收。x = (1 / math.sqrt(a)) * (x - (1 - a) / math.sqrt(1 - a_bar_t) * noise_pred)去噪更新：减去预测噪声并恢复尺度。if t > 0: x = x + sigma * torch.randn_like(x)采样扰动：保留随机性，避免生成结构过于单一。
常见误区
误区很多 AI 工程师会把蛋白质设计等同于序列预测任务：“只要我训练一个高效的序列模型，把氨基酸序列预测准了，蛋白就能折叠出正确结构，RFdiffusion 只是用来做动画演示的辅助工具。”
正解蛋白质设计的关键瓶颈是三维形状的生成。RFdiffusion 通过去噪直接产出骨架坐标，它是设计的“创作层”；序列设计工具（如 ProteinMPNN）只是在给定骨架后“填词”。没有 RFdiffusion 这类结构生成模型，你连骨架都没有，序列预测得再准也无法创造出全新形状。这就像光背动物名录，画不出动物园的新动物。
为何常见：现有深度学习教程里序列模型出现频率高，容易让人误以为“序列即结构”，而忽视了三维构象的生成才是蛋白设计最难的一步。
误区很多人以为扩散模型已经在图像上成功，那只要把像素换成蛋白质坐标就能直接拿来用：“图像是网格坐标，蛋白骨架也是坐标，改改维度不就行了。”
正解图像的像素网格有固定的排列顺序，卷积天然适配；蛋白质骨架是三维空间中的无规则点集，必须保证任意旋转或平移都不改变结构语义。RFdiffusion 使用 SE(3) 等变网络来处理这种几何对称性，如果直接套用图像扩散，网络完全无法理解“同一个蛋白换个方向还是同一个蛋白”。
为何常见：图像扩散的教程铺天盖地，容易给人“只要能表示成张量就能套用”的错觉，忽略了物理世界中的几何对称约束。
误区追求效率的新手常常觉得：“既然网络最终能输出结果，那一步直接去噪到底不就行了吗？还省时间。”
正解扩散模型的成功恰恰来自多步渐进去噪。每一步只消除少量噪声，网络才有机会逐步细化形状；条件生成要在每步中植入用户约束，更是依赖这种渐进过程。就像大雾不可能一秒散尽，向导需要逐步确认轮廓。一步去噪的模型退化成普通回归器，生成的骨架质量会明显下降。
为何常见：常规深度模型都是一次前向出结果，人们容易用惯性思维理解生成式模型的迭代采样过程。
误区不少团队拿到 RFdiffusion 输出骨架，补全序列后用 AlphaFold2 跑一遍，看到 pLDDT 分数很高就欢呼设计成功，直接准备发表。
正解计算验证只是第一道筛选。AlphaFold2 高分说明这个序列大概率能折叠成预期结构，但并不能保证蛋白能正确表达、有足够的溶解度和稳定性，更不能保证它真的具备预期的结合或催化功能。湿实验室的基因合成、蛋白表达、结构解析和功能实验才是最终裁判。计算预测是“模拟考试”，实验才是“真考场”。
为何常见：AlphaFold 的视觉冲击太强，人们容易把“预测出的漂亮结构”等同于“已验证的事实”，忽略了实验验证的巨大工程量和生物学的复杂性。
面试题
Q1. 扩散模型的前向过程主要做了什么？
- A.增加噪声直到结构变成随机← 正确答案
- B.迭代让模型从随机走向有序
- C.对结构进行逐步去噪增强
- D.根据条件对骨架做交叉验证
答案：A。前向过程是逐步向真实样本加入高斯噪声，直到样本完全变成噪声；反向过程才是从随机走向有序（B）。C 是去噪过程，D 是条件生成中的操作。
Q2. 蛋白质骨架建模最关键的特殊要求是什么？
- A.像素网格数据不适合做坐标
- B.坐标必须保持旋转等变性← 正确答案
- C.序列信息可以完全被忽略
- D.蛋白结构不需要三维坐标
答案：B。蛋白质是三维点集，同一个结构旋转或平移后物理上仍是同一蛋白，网络输出必须随之等变变化（SE(3) 等变）。这不是像图像那样天然具有规则网格，但网格不是最核心难点；序列信息也不能忽略。
Q3. RFdiffusion 可以通过条件引导实现哪些设计策略？
- A.指定目标结合口袋← 正确答案
- B.指定功能残基位置← 正确答案
- C.控制蛋白质的颜色
- D.生成多聚体复合物← 正确答案
答案：ABD。RFdiffusion 支持口袋约束、功能残基（motif）指定以及多聚体亚基的设计与组装。蛋白质的颜色不是一个结构设计目标，因此选项 C 错误。
Q4. DDPM 训练时网络的损失函数比较的是什么？
- A.预测噪声向量与实际噪声向量的平方误差← 正确答案
- B.氨基酸字典预测的交叉熵损失
- C.模型参数 L2 正则化误差
- D.预测坐标的绝对误差总和
答案：A。DDPM 的核心训练目标是用网络预测前向过程加入的噪声，并计算预测噪声与真实噪声之间的均方误差。B 是序列预测任务的损失，C 是正则化，D 是一种结构预测损失但不是 DDPM 标准训练目标。
Q5. 从图像扩散迁移到蛋白质扩散，最关键的技术改动是什么？
- A.用不同损失替代原有平方误差
- B.引入 SE(3) 等变结构处理坐标← 正确答案
- C.把时间步替换成空间步长
- D.完全去掉条件生成引导机制
答案：B。图像像素规则排列，而蛋白质骨架是三维无规则坐标。SE(3) 等变网络保证旋转、平移下输出语义一致，这是迁移的关键。损失函数、时间步和条件机制并非主要障碍。
Q6. 评估 RFdiffusion 生成蛋白设计时，常用哪些验证手段？
- A.AlphaFold 返回的 pLDDT 置信度评分← 正确答案
- B.设计结构与预测结构的 RMSD 比对← 正确答案
- C.模型在训练集上的分类准确率
- D.实验获得的 X 射线晶体结构← 正确答案
答案：ABD。pLDDT 衡量每个残基的折叠置信度，RMSD 衡量设计骨架与预测骨架的偏差；最可靠的是湿实验结构解析。训练集准确率只反映模型收敛情况，不能说明蛋白设计质量。
Q7. 条件扩散模型训练时，网络学习的目标是什么？
- A.学习所有图像的边缘分布
- B.学习条件去噪的噪声预测← 正确答案
- C.学习前向加噪的转移概率
- D.学习蛋白序列的统计分布
答案：B。条件扩散在去噪网络输入中增加条件 c（如口袋位置），目标仍然是预测前向过程加入的噪声，但预测结果是“在条件约束下去噪”。它学习的不是边缘分布，也不是前向转移概率。
Q8. RFdiffusion 中 "motif scaffolding" 的核心思想是什么？
- A.在没有序列信息的情况下直接折叠
- B.固定功能残基作为模板来生成整体骨架← 正确答案
- C.只用于提高推理速度的调度策略
- D.把 AlphaFold2 当作损失函数来用
答案：B。motif scaffolding 是指先固定一段功能相关的氨基酸结构（如催化位点），让扩散模型生成能稳定支撑这个功能模块的更大蛋白骨架。它不是加速策略，也不是用 AlphaFold2 做损失。
Q9. 关于蛋白质设计的“湿实验验证闭环”，下列说法正确的是？
- A.设计成功率需要通过折叠和功能实验共同检验← 正确答案
- B.计算置信度高就意味着实验一定成功
- C.验证流程通常包含基因合成与蛋白表达← 正确答案
- D.设计过程需要计算预测与实验反馈的迭代← 正确答案
答案：ACD。湿实验中基因合成、蛋白表达、结构解析和功能测定都是必要环节；计算评分高并不能保证实验成功。整个研究流程需要在计算设计与实验结论之间不断闭环迭代。
Q10. 噪声调度 β_t 在 DDPM 中的作用是什么？
- A.决定最终骨架的氨基酸种类
- B.控制前向与反向过程的噪声强度速率← 正确答案
- C.让反向过程绕过条件设计
- D.只影响训练阶段不影响生成阶段
答案：B。β_t 规定了每个时间步加入噪声的大小，同样也决定了反向采样中每一步去噪的幅度——因此它同时影响训练与生成。它不决定氨基酸种类，也不能被绕过。