蛋白质设计RFdiffusion：motif scaffolding

CH-26-01-022·约 16 分钟·AI for Science科学智能·更新 2026-08-13

想象你是一位古代首饰匠，有人递来一颗祖传的异形宝石。宝石的每个切面都经过数代人打磨，不容半点损伤，你的任务是制作一个全新的戒指托架，把宝石严丝合缝地托起来——既不能碰歪任何一个切面，又要让整枚戒指足够坚固、日常佩戴不会变形。这恰恰是今天的主角 RFdiffusion 在蛋白质世界里做的事：科学家手里有一个被称为 motif 的“功能宝石”，它可能是酶的活性位点，也可能是与疾病蛋白结合的片段。motif scaffolding 任务要求我们为这段固定几何的功能片段设计出围绕它的“蛋白托架”，让它能稳定折叠、发挥功能。这次我们用“戒指托架”这个比喻，跟着匠人的工作台一步步看：如何测量宝石、熔金成型、固定塑形、淬火加固，最后试戴检验。

岗位关联

掌握 motif scaffolding，意味着你不仅会用 AI 生成蛋白结构，还能读懂生成背后的条件几何约束，为酶工程、结合剂设计等真实任务提供可落地方案。

可视化演示
motif任务定义：测量宝石，记录切面
扩散模型基础：熔金重塑
条件生成过程：固定宝石，雕琢托架
稳定支架设计：合金配方与淬火
实验验证分析：试戴与成功率
应用前景：从戒指到珠宝王国
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

演示motif scaffolding几何约束、支架拓扑探索、界面稳定性优化与成功率评估，直观展示如何为功能motif设计稳定蛋白支架。

本节配有交互动效（进入视口后自动加载，约 3KB）。

motif scaffolding任务保持motif约束生成骨架为已知功能motif设计稳定支撑的蛋白支架

motif任务定义：测量宝石，记录切面

首饰匠拿到宝石时，第一件事不是动手画图，而是仔仔细细测量它的每一个切面：哪几个面必须露出来、哪些边不能受力、相邻切面之间夹角是多少。把这些数据记在纸上，之后设计托架才不至于碰歪宝石。在蛋白质世界里，这颗“宝石”就是 motif——一段承担关键功能的氨基酸片段。它可能是酶催化反应时直接参与的活性位点，也可能是识别药物分子的结合口袋。这些位点的三维排列一旦改变，功能就会失灵。

所以 motif scaffolding 任务的定义很清晰：输入一个已知空间坐标关系的 motif，设计出周围一圈全新的蛋白质骨架，把 motif“捧”在正确位置上，同时让整个蛋白能独立、稳定地折叠。这里的“支架蛋白”就是新生成的 scaffold，它与 motif 共同组成一个完整蛋白质。对计算生物学家来说，最关键的不是把 scaffold 做得多花哨，而是“几何约束”：motif 内部残基两两之间的距离与角度，必须在生成前后保持一致。

为了量化这个约束，我们通常计算生成结构与参考 motif 的距离矩阵误差：

测完宝石，匠人会把这张“尺寸卡”收好。接下来，他才开始熔化金属，准备打造托架的雏形。

\displaystyle \mathcal{L}_{\text{motif}} = \frac{1}{N(N-1)} \sum_{i<j}^{N} \left( d_{ij} - \hat{d}_{ij} \right)^{2}

这个损失函数就像一把“宝石卡尺”，比较真实切面间距和生成结构间距的偏差，偏差越小，说明 motif 保持得越好。

残基坐标序列每个氨基酸的 Cα 原子用一个三维坐标表示，motif 中所有残基坐标构成了它的空间“指纹”。
$\mathbf{x}_i = (x_i, y_i, z_i), \quad i = 1, 2, \dots, N$
距离矩阵计算 motif 内部任意两个残基之间的欧氏距离，用来描述相对空间关系。
$d_{ij} = \|\mathbf{x}_i - \mathbf{x}_j\|$
误差损失将生成结构中的距离 $\hat{d}_{ij}$ 与原始距离 $d_{ij}$ 对比，取平方均值作为几何偏差。
$\mathcal{L}_{\text{motif}} = \frac{1}{N(N-1)} \sum_{i<j}^{N} \left( d_{ij} - \hat{d}_{ij} \right)^{2}$

扩散模型基础：熔金重塑

有了设计图，下一步是把金块丢进熔炉。首饰匠不会直接用锤子砸出托架，而是先把金属化成没有固定形状的液态，让原子重新分布；再通过反复锻打、退火，让金属逐渐显现出理想轮廓。RFdiffusion 也是这个思路：它不直接“画”骨架，而是从一团充满噪声的随机坐标出发，像熔化的金水一样毫无结构，然后一步步“去噪”，让坐标逐渐变成合理蛋白质骨架。

这个机制叫扩散模型。前向过程把真实结构慢慢加噪，直到变成纯噪声；反向过程则训练一个神经网络，学会从噪声里“捞回”结构。把这两个过程对应到匠人身上：前向过程像是把戒指熔成一滩没有记忆的金属，反向过程则是凭经验把金属重新锻造成工匠心中的形状。

用数学表达，前向加噪过程可以写成：

当熔炉里的金属终于被锻出大形，匠人要把宝石嵌上去，进入最重要的一步：在固定宝石的前提下，精修周围的金属。

\displaystyle \mathbf{x}_t = \sqrt{\bar{\alpha}_t}\,\mathbf{x}_0 + \sqrt{1 - \bar{\alpha}_t}\,\boldsymbol{\epsilon},\quad \boldsymbol{\epsilon} \sim \mathcal{N}(0, \mathbf{I})

这个式子告诉我们：第 $t$ 步的结构，是原始结构逐渐被“噪声”覆盖后的混合体。$t$ 越大，噪声占比越高，结构越模糊。

原始骨架$\mathbf{x}_0$ 是设计起点，代表一个真实或合理的蛋白质骨架坐标。
$\mathbf{x}_0 \in \mathbb{R}^{L \times 3}$
衰减系数$\bar{\alpha}_t$ 控制原始信号保留多少，它随步数 $t$ 单调递减。
$\bar{\alpha}_t = \prod_{s=1}^{t} \alpha_s$
噪声注入$\boldsymbol{\epsilon}$ 是标准高斯噪声，乘上 $\sqrt{1 - \bar{\alpha}_t}$ 后叠加到原始结构上。
$\mathbf{x}_t = \sqrt{\bar{\alpha}_t}\,\mathbf{x}_0 + \sqrt{1 - \bar{\alpha}_t}\,\boldsymbol{\epsilon}$

条件生成过程：固定宝石，雕琢托架

匠人深知，宝石是整个戒指的灵魂，绝不能让它滑动半分。因此，他会先用夹具把宝石死死固定在操作台上，再开始敲打周围金属；无论锤子怎么落，夹具纹丝不动。RFdiffusion 的条件生成正是如此：在扩散采样的每一步，motif 坐标被当作“夹具”固定下来，模型只负责修改周围 scaffold 残基的坐标。

具体实现时，RFdiffusion 将 motif 坐标作为条件信息拼接到输入中，同时用一个掩码矩阵区分“固定残基”和“可生成残基”。反向扩散每走一步，模型预测出整体去噪方向，但只有 scaffold 部分被更新；motif 残基的坐标被强行拉回原始位置。这样，生成过程就能严格满足几何约束。

条件扩散的核心公式可以理解为：

固定好宝石，托架形状已经慢慢显现。但此时的金属还很软，需要选择更合适的合金配方，并淬火加固——这就是稳定支架设计。

\displaystyle \hat{\mathbf{x}}_0 = \frac{1}{\sqrt{\bar{\alpha}_t}}\left(\mathbf{x}_t - \sqrt{1 - \bar{\alpha}_t}\,\boldsymbol{\epsilon}_\theta(\mathbf{x}_t, \mathbf{m}, t)\right)

这里的 $\mathbf{m}$ 就是 motif 坐标。网络在预测噪声时会“看着”这颗宝石，从而保证生成的骨架与宝石协调。

固定条件输入将 motif 坐标 $\mathbf{m}$ 作为额外通道送入去噪网络，让模型知道哪些位置必须保持。
$\mathbf{m} = \{\mathbf{x}_i^{\text{motif}}\}$
噪声预测网络 $\boldsymbol{\epsilon}_\theta$ 根据当前混合结构 $\mathbf{x}_t$、条件 $\mathbf{m}$ 和步数 $t$，预测混入的噪声。
$\boldsymbol{\epsilon}_\theta(\mathbf{x}_t, \mathbf{m}, t)$
还原原始结构减去预测噪声并除以衰减系数，得到对原始结构 $\hat{\mathbf{x}}_0$ 的估计，随后继续下一步去噪。
$\hat{\mathbf{x}}_0 = \frac{1}{\sqrt{\bar{\alpha}_t}}\left(\mathbf{x}_t - \sqrt{1 - \bar{\alpha}_t}\,\boldsymbol{\epsilon}_\theta\right)$

稳定支架设计：合金配方与淬火

托架的大形敲定后，匠人要检查它是否稳固：金属太软会变形，太脆会断裂。于是他会调整合金成分，再用水淬火提高强度。在蛋白质设计里，这一步对应两件事：一是把“形”翻译成“序”——为骨架坐标设计出具体氨基酸序列；二是回测折叠，确认这条序列真能折回目标骨架。

把骨架坐标变成序列的工具叫逆折叠（Inverse Folding），最常用的模型是 ProteinMPNN。它读入每个残基的坐标和局部化学环境，输出最可能出现在该位置的氨基酸类型。之后，科学家会用 AlphaFold2 等结构预测工具把新序列重新折叠一次，比较预测结构和设计骨架是否一致。如果回测结构“长歪了”，说明序列设计还不够好，需要打回重来。

评估结构稳定程度，一个常用指标是预测局部距离差测试值（pLDDT），它反映模型对该位置折叠可信度的判断：

经过淬火加固，托架终于出炉。但纸上设计终究要接受真实检验，下一步，匠人会把戒指戴在手上试戴。

\displaystyle \bar{p} = \frac{1}{L}\sum_{i=1}^{L} \text{pLDDT}_i

pLDDT 分数越高，代表该残基在预测模型中越自信。平均值越高，说明支架整体折叠越可信。

逐残基可信度每个残基 $i$ 的 pLDDT 分数取值范围通常在 0 到 100 之间。
$\text{pLDDT}_i \in [0, 100]$
平均可信度把全链所有残基的分数加起来求平均，代表整条支架的结构置信度。
$\bar{p} = \frac{1}{L}\sum_{i=1}^{L} \text{pLDDT}_i$

实验验证分析：试戴与成功率

设计图再漂亮，首饰也必须经过“试戴”这一关：托架会不会硌手？宝石会不会松动？一旦发现问题，就要记录并调整。蛋白质设计也一样，计算生成的候选蛋白要被真正合成出来，在试管里表达、折叠，并测试功能。

实验室验证通常会挑选多个候选同时进行，因为每一条设计都有失败风险。一个常见的流程是：将设计序列编码成基因，合成后转入大肠杆菌等表达系统，看它能否正确折叠成可溶蛋白；再通过生化实验或细胞实验检测 motif 所在的功能是否保留，例如酶是否还有催化活性、结合剂是否还能牢牢抓住靶点。最后统计所有做过实验的候选，计算成功率。

成功率的定义非常直白：

试戴数据不断反馈给设计师。掌握了这套流程，就仿佛建立了从图纸到成品之间的可靠质检线。最后，我们要把目光放远，看看这门手艺能做出多少种不同的“珠宝”。

\displaystyle \text{SR} = \frac{N_{\text{success}}}{N_{\text{test}}} \times 100\%

成功率是衡量设计算法实用价值的“金标准”。RFdiffusion 在多个 motif scaffolding 基准上取得了远高于传统方法的成功率，但仍需要实验筛选。

实验总数$N_{\text{test}}$ 是所有被送到实验室的候选蛋白数量，可以理解为一批试戴的戒指。
$N_{\text{test}}$
成功数量$N_{\text{success}}$ 是其中表达正常、折叠正确且功能达标的数量。
$N_{\text{success}}$
成功率比例成功数除以实验总数再乘百分之百，得到可比较的成功率。
$\text{SR} = \frac{N_{\text{success}}}{N_{\text{test}}} \times 100\%$

应用前景：从戒指到珠宝王国

掌握了“为宝石设计托架”的手艺后，匠人不再只做单一戒指：他可以做胸针、项链、皇冠，利用不同宝石之间的组合，创造出无穷变体。motif scaffolding 在蛋白质工程中的地位也是如此——只要给出一个值得保留的功能位点，就能为它量身定制整个蛋白骨架，而这些新骨架可以服务于各种实际需求。

最典型的应用是酶工程。天然酶的活性位点周围往往包裹着不够稳定的区域，导致酶在工业高温或有机溶剂中快速失活。利用 motif scaffolding，可以把催化活性位点提取出来，重新生成一个更加热稳定的支架，大幅提高酶的工业寿命。第二个重要方向是结合剂设计，比如设计一种能与癌症标志物紧密结合的迷你蛋白，作为靶向药物或诊断探针。此外，疫苗设计也可以借用这个思路：把病毒表面一个关键表位固定成天然构象，再设计支架将它呈递给免疫系统，激发更强中和抗体。

在这些应用中，一个非常实用的策略是“平行采样”：与其只生成一个候选，不如批量生成成百上千个，再用实验筛选。这样做相当于把单次尝试的成功概率 $p$ 叠加起来，至少有一个成功的概率为：

从一颗宝石到一座珠宝王国，核心思路始终没变：尊重功能位点的几何，再用智能生成赋予它稳定骨架。这正是蛋白工程师们正在编织的未来。

\displaystyle P_{\ge 1} = 1 - (1 - p)^{k}

其中 $k$ 是候选数量。即使每次实验成功率只有 5%，生成 50 个候选后，至少有一个成功的概率也能超过 92%。这也是为什么 RFdiffusion 设计流程总是“多采样、多验证”。

单次成功率每个候选蛋白独立进入实验，其成功概率记为 $p$。
$p$
全部失败概率连续 $k$ 个候选都失败的概率为 $(1-p)^k$。
$(1-p)^k$
至少一次成功用 1 减去全部失败的概率，得到至少一个成功的累积概率。
$P_{\ge 1} = 1 - (1 - p)^k$

AI 应用场景

酶工程稳定化改造

阶段：结构设计并生成候选 → 实验验证

解决的问题：工业酶在高温、有机溶剂等苛刻条件下容易失活，传统定向进化需要大量随机突变筛选。运用 motif scaffolding 固定催化活性位点周围的几何构象，重新生成整个外围支架，可以一步到位提升热稳定性而保留催化功能。

具体案例：某合成生物学公司希望提高一种酯酶在 60℃ 下的活性半衰期。工程师提取其催化三联体作为 motif，输入 RFdiffusion 生成 300 个支架候选；经 ProteinMPNN 序列设计后，选出 96 个进行基因合成与表达，最终获得 12 个可溶性表达且活性保持的热稳定变体，其中最优者半衰期提升了 20 倍。

蛋白结合剂设计

阶段：结合表位建模 → 条件生成 → 实验筛选

解决的问题：传统方法从抗体库或噬菌体库中筛选结合剂，周期长且命中率低。通过 motif scaffolding 将靶点蛋白的关键结合表位作为固定 motif，设计一个全新的迷你蛋白骨架去“贴住”这个表位，可以实现快速、精准的结合剂设计。

具体案例：某生物技术团队想要开发一种与流感病毒血凝素保守表位结合的 mini-protein，他们从抗体结构中获得表位坐标，用 RFdiffusion 生成 1000 个候选骨架，经过 AlphaFold2 批量评分后挑选 80 个做表面等离子共振实验，最终找到 2 个纳摩尔级亲和力的结合剂，为广谱抗病毒药物研发提供了先导分子。

疫苗免疫原设计

阶段：表位约束 → 支架生成 → 动物免疫评估

解决的问题：许多疫苗靶点蛋白天然构象不稳定，导致关键中和表位无法被免疫系统有效识别。利用 motif scaffolding 把中和表位固定在天然构象，再设计一个稳定三聚体支架，可提升免疫原性。

具体案例：某疫苗研发团队针对呼吸道合胞病毒 F 蛋白的融合前构象开展设计，将融合前特异的两个中性表位作为 motif，生成多个稳定支架候选。通过表达与负染电镜验证，得到一个能在 4℃ 稳定保存 6 个月的免疫原，小鼠免疫后中和抗体滴度比传统设计高出一个数量级。

Python 演示

python31 行

import mathimport random def rmsd(coords1, coords2):    assert len(coords1) == len(coords2)    return math.sqrt(sum((a - b) ** 2 for a, b in zip(coords1, coords2)) / len(coords1)) def denoise_step(current, target, alpha):    return [(alpha * t + (1 - alpha) * c) for c, t in zip(current, target)] def run_conditional_sampling(motif, n_residues=12, n_steps=100):    cx = sum(p[0] for p in motif) / len(motif)    cy = sum(p[1] for p in motif) / len(motif)    radius = max(2.0, max(math.hypot(p[0] - cx, p[1] - cy) for p in motif) + 3.0)    target_scaf = [(cx + radius * math.cos(2 * math.pi * i / n_residues),                    cy + radius * math.sin(2 * math.pi * i / n_residues))                   for i in range(n_residues)]    noisy_scaf = [(random.gauss(cx, radius), random.gauss(cy, radius))                  for _ in range(n_residues)]    for t in range(1, n_steps + 1):        alpha = t / n_steps        noisy_scaf = denoise_step(noisy_scaf, target_scaf, alpha)    motif_after = motif[:]  # 条件采样：motif全程不被修改    return motif_after, noisy_scaf, target_scaf if __name__ == "__main__":    motif = [(0.0, 0.0), (1.0, 0.0), (0.5, 0.87)]    motif_final, scaffold, target = run_conditional_sampling(motif)    print("motif保持RMSD:", rmsd(motif_final, motif))    print("生成支架残基数:", len(scaffold))    print("支架终点示例:", scaffold[:3])

目的：用一个玩具级“条件去噪”过程模拟 RFdiffusion 的 motif scaffolding 核心思想：motif 坐标固定不变，周围支架从噪声逐步收敛到合理环状骨架。

def run_conditional_sampling(motif, n_residues=12, n_steps=100):定义主函数：输入 motif 坐标，输出保持不变的 motif 和生成好的支架坐标。
cx = sum(p[0] for p in motif) / len(motif)计算 motif 几何中心，让支架环围绕该中心生成。
radius = max(2.0, max(math.hypot(...)) + 3.0)根据 motif 形状向外扩展出支架半径，保证支架不会侵占 motif 空间。
target_scaf = [...]预先定义支架残基的理想环状目标坐标，代表“合理蛋白骨架”。
noisy_scaf = [(random.gauss(cx, radius), ...)]初始化一团高斯噪声坐标，相当于扩散模型里的随机噪声。
for t in range(1, n_steps + 1):模拟反向扩散的迭代过程，每轮只更新支架坐标。
alpha = t / n_steps去噪比例随迭代逐渐增大，让噪声慢慢让位给理想结构。
noisy_scaf = denoise_step(noisy_scaf, target_scaf, alpha)每一次迭代都把当前坐标朝目标结构拉近一步。
motif_after = motif[:]用切片复制保持 motif 原坐标，体现“固定条件”的核心操作。
print("motif保持RMSD:", rmsd(motif_final, motif))打印生成前后 motif 的 RMSD，验证几何约束未被破坏。

常见误区

误区我以为是直接把 motif 的氨基酸序列替换成更好的序列，让它更稳定，这就是“支架设计”。

正解motif scaffolding 的核心是设计骨架坐标，而不是序列。motif 的序列和几何被当作不可改变的条件，RFdiffusion 只生成周围新增残基的三维坐标。后续的氨基酸序列设计（比如用 ProteinMPNN）是另一道独立工序，相当于托架做完后挑选合金成分。

为何常见：因为人们习惯把蛋白质设计等同于“改序列”，容易忽略三维坐标这个更深层的设计维度。

误区既然要保持几何约束，motif 所有原子在生成过程中应该一个像素都不许动。

正解实际设计中，motif 的主链坐标（尤其是 Cα 原子）会被严格保持，但侧链和局部微小的柔性运动是允许的。计算模拟和实验中的判断标准是“整体几何偏差足够小”，例如 motif RMSD 小于某个阈值，而不是要求绝对零误差。

为何常见：因为“约束”这个词让人想到刚性锁定，忽略了蛋白质本质上是有柔性的软物质。

误区算法只要输出一个高质量骨架，就可以直接送实验室了。

正解扩散模型本身具有随机性，单次采样可能陷入不合理的局部构象。RFdiffusion 的典型流程是批量生成成百上千个候选，再通过计算筛选和实验平行验证。就像匠人不会只打一枚戒指，而是先打几十枚素胚，择优再进行精加工。

为何常见：许多生成模型给我们的直觉是“输出唯一答案”，但蛋白质设计需要面对巨大的构象搜索空间。

误区AlphaFold2 回测分数很高、pLDDT 也很高，那这个蛋白肯定能表达并且有功能。

正解计算验证只能说明结构在模拟空间中看起来合理，但真实蛋白还涉及表达量、折叠动力学、溶解度、细胞毒性、翻译后修饰等大量实验因素。实验室成功率通常远低于计算筛选通过率。所以流程必须保留“实验验证”环节，用数据反向修正算法。

为何常见：因为 AI 模型输出的高分值给人一种权威感，让人低估了生物体系中的复杂噪音。

面试题

Q1. motif scaffolding 的主要任务是什么？

单选题 · easy

A.为已知功能片段设计周围蛋白支架← 正确答案
B.直接设计全新蛋白功能序列
C.预测蛋白与配体的结合能
D.优化基因的表达载体系统

答案：A。motif scaffolding 的核心是给定功能 motif 的三维几何，生成周围骨架蛋白，属于结构层面的“托架设计”。B、C、D 分别属于序列设计、结合预测和表达优化，不在任务定义之内。

Q2. RFdiffusion 的生成过程本质上是哪种生成模型的思路？

单选题 · easy

A.变分自编码器
B.扩散模型← 正确答案
C.生成对抗网络
D.自回归语言模型

答案：B。RFdiffusion 使用扩散模型，从噪声坐标逐步去噪还原结构，就像把金属熔化后再重塑。VAE、GAN 和自回归语言模型都不是它主干架构。

Q3. 条件扩散生成骨架时，motif 坐标通常如何处理？

单选题 · mid

A.每一步都随机漂移
B.每一步都固定不变← 正确答案
C.只在第一步固定
D.只作为文本条件输入

答案：B。为保证功能位点几何不被破坏，motif 坐标在反向扩散的每一步都被强制拉回原始位置，相当于操作台上的宝石夹具。若允许随机漂移，功能位点就会失效。

Q4. 下列关于扩散模型前向与反向过程的说法，正确的是？

多选题 · mid

A.前向过程逐步向结构加入噪声← 正确答案
B.前向过程负责学习去噪
C.反向过程用网络预测并移除噪声← 正确答案
D.反向过程让结构变得更模糊

答案：AC。前向过程是“熔金”——逐步把结构变成噪声；反向过程是“重塑”——训练网络去噪。B 和 D 把两个方向搞反了。

Q5. 生成骨架坐标后，通常用什么工具将坐标“翻译”成氨基酸序列？

单选题 · mid

A.AlphaFold2
B.ProteinMPNN← 正确答案
C.BLAST
D.ClustalW

答案：B。ProteinMPNN 是常用的逆折叠工具，读入骨架坐标输出序列。AlphaFold2 用于序列到结构的预测，BLAST 和 ClustalW 用于序列比对，都不是逆折叠任务。

Q6. 验证 motif 是否被保持时，最直接的几何指标是？

单选题 · mid

A.pLDDT 平均分
B.motif RMSD← 正确答案
C.吉布斯自由能
D.合成可及性分数

答案：B。motif RMSD 直接衡量生成结构与参考 motif 坐标的偏差，是最常用的几何保真度指标。pLDDT 反映折叠可信度，自由能用于热力学评估，合成可及性描述化学合成难度，都不直接评价 motif 几何。

Q7. 下列关于 RFdiffusion 的叙述，正确的有哪些？

多选题 · hard

A.可同时保持多个 motif 片段的相对几何← 正确答案
B.采样多个候选可以有效提高实验成功率← 正确答案
C.不需输入任何蛋白质结构信息
D.生成骨架后仍需序列设计与实验验证← 正确答案

答案：ABD。RFdiffusion 以蛋白骨架坐标作为输入，motif 可以包含多个空间片段，并同时满足约束；多候选采样配合实验筛选能显著提升命中率；它不是凭空生成，必须给定结构信息；生成骨架后还需要序列设计、结构回测和实验验证。

Q8. 为什么扩散过程中要强制固定 motif 坐标？

单选题 · hard

A.减少 GPU 显存占用
B.防止功能位点几何发生漂移← 正确答案
C.让模型训练速度更快
D.避免蛋白骨架断裂

答案：B。固定 motif 坐标是几何约束的核心实现，类似用夹具锁住宝石。省显存和加速只是附加效果，骨架断裂也不是 motif 固定的主要目的。

Q9. 下列哪一项是 motif scaffolding 在工业界的典型应用？

单选题 · mid

A.为酶催化位点重新设计热稳定支架← 正确答案
B.预测全基因组二级结构
C.将蛋白质序列翻译为核苷酸序列
D.构建微生物代谢网络模型

答案：A。酶工程常用 motif scaffolding 保留活性位点、重建外围支架，从而提升稳定性。其他选项分别是结构预测、密码子优化和代谢建模，与本任务无关。

Q10. 实验验证成功率低于计算成功率，常见原因有哪些？

多选题 · hard

A.设计蛋白无法正确折叠← 正确答案
B.表达系统中蛋白形成包涵体← 正确答案
C.计算结构与实验构象存在微小偏差← 正确答案
D.生成序列的氨基酸种类过于单一

答案：ABC。正确折叠失败、表达时聚集沉淀、模拟与真实构象偏差都会把候选拉下马。氨基酸种类单一可能影响设计多样性，但并不是成功率低的常见直接原因。