走进一家建筑事务所，你面前摊开一张完全空白的图纸。客户的要求只有一个：“给我一栋能用的房子。”没有户型图，没有风格参考，连地基位置都没定。普通设计师会手足无措，但这家事务所的合伙人是一位“AI 结构师”——它叫 RFdiffusion。它以前读过几十万张图纸（学习过的蛋白质数据库），知道什么结构能站稳、什么结构会塌。它不靠猜，而是用一种叫“扩散”的技法，在图纸上先铺满密密麻麻的噪声点，然后一步一画、越涂越清晰，最终落成一张精确到每一个原子位置的设计蓝图。这就是 RFdiffusion 的核心工作方式：先随机，再精修；先骨架，再血肉。 在生命科学领域，蛋白质是微观世界的“纳米机器”，而从头设计（de novo design）就像为特定任务凭空发明一台机器。传统方法靠经验规则和计算机模拟，成功率低、试错成本高。RFdiffusion 的出现改变了游戏规则——它把图像生成领域两年前大红大紫的“扩散模型”（你或许听过 AI 画图软件），平移到了蛋白质三维结构设计上。它不需要你提供现存蛋白的模板，而是直接从“需求”出发，用噪声生成一个全新结构。本文将以“AI 结构师画图纸”为主比喻，带你理解 RFdiffusion 的核心原理：从条件扩散的基本流程，到骨架生成，再到活性位点的功能约束，直至全原子精修与实验验证的完整闭环。
对于 AI 从业者而言，理解 RFdiffusion 意味着掌握一种“从随机噪声反推可行解”的通用生成范式。它不仅是蛋白设计的利器，更是条件生成模型、功能约束优化与 AI+科学交叉应用的绝佳范本，能帮你建立对生成式 AI 落地科学问题的方法论直觉。
可视化演示
展示RFdiffusion通过条件扩散模型从噪声逐步去噪生成蛋白质骨架的全过程，功能基序约束与全原子精修策略。切换模式查看不同维度，拖动滑块调节去噪步数。
本节配有交互动效（进入视口后自动加载，约 3KB）。
条件扩散去噪过程 从高斯噪声出发，逐步去噪生成蛋白质骨架坐标 每步去噪由RoseTTAFold网络预测坐标更新方向 x_{t-1} = (x_t - ε·θ(x_t,t)) / √(1-β_t) 扩散模型实现从随机到结构的可控生成
设计新范式
想象你是一位甲方的老板，想建一栋“既能挡风又能开派对”的房子。放在十年前，结构师的做法是翻遍老图纸，找个最像的改一改——这叫“基于模板设计”。问题是：如果需求稍微离谱一点（比如“三楼要悬空 15 米”），老图纸根本不够用，你只能硬着头皮从零开始搭，花几个月算应力，改十几次方案，最后还不一定盖得起来。这就是蛋白质从头设计的旧时代：用 Rosetta 之类的软件，从碎片库拼装、用能量函数打分，找一搜寻一周，成功率只有百分之几。
RFdiffusion 之所以叫“新范式”，在于它换了一条路。它出身于 RoseTTAFold 家族——这是个会“看”蛋白质结构的深度学习模型，就像一位阅图无数的老画师。论文作者不拿它来“看”图，却反过来让它“画”图：你不是会看结构吗？那你一定能画结构。这就好比让一位资深建筑摄影师去当建筑设计师，虽然方向反了，但美感是相通的。RFdiffusion 借用了图像生成领域 2022 年最火的概念——扩散模型（Diffusion Model），把“给你一张模糊照片，你逐步还原成高清图”的能力，平移到了蛋白质三维坐标的生成上。
于是新的设计流程变成：输入一串随机噪声坐标，模型以前见过的大量蛋白结构为“审美标准”，通过一步步去噪，最终输出一个全新且合理的蛋白骨架。更妙的是，这个过程天然支持“条件”——你可以在开始前就规定某些坐标必须落成什么形状，模型会在满足约束的前提下自由发挥其余部分。这套“随机作画 + 条件塑形”的新范式，把从头设计的成功率从个位数提升到了一个量级以上的水平，真正实现了“无中生有”。
结构学习表征
要让这位 AI 结构师能“画”蛋白质，首先得让它“看过”足够多的蛋白质长什么样。RFdiffusion 的根基，是 RoseTTAFold 在大规模蛋白质数据库上的预训练。RoseTTAFold 本身是一个结构预测网络——给它一段氨基酸序列，它能推断出折叠后的三维结构。这好比一个设计师阅遍了全球数万栋经典建筑，每一栋的户型、立面、承重墙位置全都印在了脑子里。RFdiffusion 继承了这套“空间直觉”，但它不再满足于从序列推结构，而是要反过来：从结构生成序列。
在这个网络里，蛋白质用什么方式被“描述”？答案不是氨基酸字母表，而是原子坐标。每一个氨基酸残基的骨架，由三个关键原子确定：氨基氮（N）、α碳（Cα）和羰基碳（C'）。这三个原子像三颗铆钉，铆住了肽键平面，也框定了主链的走向。你只需要记录每个残基这三个原子的三维坐标 (x,y,z)，就能完整复原出整条蛋白质主链的形状——侧链的细节暂时不管，先把“骨架”立起来。
这种“只画骨架、不管血肉”的表示方式，是 RFdiffusion 的刻意取舍。就像建筑结构师先画梁柱框架图，不会一上来就画水管电路一样。扩散模型每步要预测和维护的变量越多，生成难度就越大。先用 N-Cα-C' 三个原子把主链几何关系锁定（键长、键角、二面角都符合物理规律），后面再用别的工具补全侧链原子，这就是“骨架先行、原子精修”的分工策略。预训练给模型的知识，加上这种精简的表示，是它能高效生成合理结构的两块基石。
条件扩散生成
现在让我们进入 AI 结构师的工作室，看看它具体怎么“画图纸”。整个技法叫“条件扩散”。你大概听过“扩散”这个词在物理里的意思——一滴墨水滴进清水里，最终均匀散开，这是不可逆的过程。扩散模型的妙处在于：它学的是这个过程的“录像带”，然后倒放录像，就能把均匀的墨水重新聚回墨滴。
具体来说，前向过程就是把一个真实蛋白结构的坐标，逐步加上高斯噪声，加一点、再加一点，直到变成一团纯随机点云。这个过程有个参数 t 控制“加噪程度”，t 从 0 到 1，t 越大，结构被破坏得越彻底。在训练时，模型看的就是这条“从清晰到模糊”的录像带。反向过程则是把录像倒放：给定一团噪声坐标，模型一步步预测“如果上一步是清晰的，这一帧应该是什么样子”，从而逐步还原出合理结构。每一步的还原都要参照预训练学到的“蛋白结构审美标准”——键长不能拉伸，二面角不能离谱，疏水残基要藏在里面。
公式上看，前向过程可以写成：
真正生成时，反向过程是核心。模型学习的是去噪分布：
有了这套双向过程的训练，RFdiffusion 就能从一团随机噪声出发，经过几百次迭代去噪（论文中通常 50-200 步），生成一个全新的蛋白骨架。且因为前向加噪引入了随机性，每次画出来的结构都不一样。这就像同样要求“给我一栋房子”，不同的随机种子会让 AI 结构师给出完全不同的两个方案——正是这种多样性，让研究人员可以在同一个需求下获得大量候选设计。
- 去噪分布$p_\theta(x_{t-1} | x_t)$ 表示“已知第 $t$ 步的噪声坐标，预测第 $t-1$ 步更清晰坐标”的条件分布。$\theta$ 是网络参数，也就是 AI 结构师脑子里的“审美标准”。
- 均值预测$\mu_\theta(x_t, t)$ 是网络预测的去噪均值，它的输入是当前坐标和步数 $t$。网络像一位修复师，看着模糊的图猜“下一帧清晰版最可能是啥样”。
- 固定方差$\Sigma_t$ 是这一步的方差，通常按固定调度衰减。它代表“这一步的预测有多大不确定性”——越到生成后期，方差越小，结构基本定形，只做微调。
保活基序约束
画图纸不是凭空乱画，甲方总有几个硬性要求。在蛋白质设计里，最常见的“甲方需求”是一个叫“功能基序”（motif）的东西——它是一小段特定的氨基酸空间排布，负责执行生物学功能，比如结合某个小分子、催化某个反应。RFdiffusion 最亮眼的创新之一，就是能“锁定”这个功能基序，围绕它设计一个全新的蛋白外壳。
想象一下：你给 AI 结构师一个金属凹槽配件，告诉他“这栋房子的门框必须用这个凹槽，而且要旋转 30 度固定在二楼东墙”。这个凹槽就是功能基序，它的坐标在扩散的整个过程中被钉死，不允许改动。扩散模型在每一轮去噪时，对这些指定原子不做任何位置更新——它们的坐标像钉子一样定在图纸上。这就是“保活”（motif scaffolding）的含义：给一段功能性肽段，生成一个能把它牢牢呈现出来的全新骨架。
这个约束在数学上很简单：在反向去噪的每一步，把基序原子的坐标强制设回初始值：
但要注意，“保活”锁的是坐标位置，不是氨基酸身份。也就是说，模型会在满足三维空间约束的前提下，自由选择基序上的每个位置用什么氨基酸残基。这就像一个建筑师说：“门框的金属凹槽必须在这个位置，但凹槽用铝合金还是不锈钢，我自己来定。”这种自由度，使得最终设计出来的蛋白不仅拥有想要的功能位点，还能与周围的骨架形成一个稳定、紧密的整体——这比简单的“功能基序移植”要高明得多。
- 基序坐标$x_{t-1}^{\text{motif}}$ 表示在第 $t-1$ 步输出中，属于功能基序的那部分原子的坐标集合。这些坐标在整个扩散过程中被“冻结”。
- 初始坐标$x_0^{\text{motif}}$ 是甲方指定的基序原子的初始坐标（由用户输入，比如一个已知活性位点的空间排布）。等式右边没有 $t$ 下标，意味着它不随时间步变化。
全原子精修
骨架画好了，功能位点锁住了，接下来要做的事，是把 L 形积木骨架“长出血肉”——也就是为每个残基补全侧链原子。这个阶段被称为“全原子精修”（full-atom refinement）。它不再是画简单的梁柱框架图，而是要细化到每一个原子，包括侧链的摆放角度、氢键的形成、疏水堆积的几何关系。
在扩散生成骨架时，模型只考虑了 N、Cα、C' 三个原子的位置，侧链被抽象成一个虚拟原子。但真实的蛋白质设计必须考虑侧链——比如一个带电残基的侧链朝向，会影响蛋白表面的静电互补性。RFdiffusion 的做法是分两步走：先由一种叫"SidechainNet"的技术用几何先验补全残缺的侧链原子，再用一个基于能量的优化器对侧链的旋转异构体（rotamer）做局部微调。这就像建筑设计师先搭好毛坯房，再让装修设计师填充水电管线、墙面地板——每个房间的尺寸框架不变，但内部布局需要精细打扫。
精修阶段的核心目标函数是“能量最小化”。常见的物理能量项包括范德华力、静电相互作用、氢键和二面角势能：
精修完成后，还有一个经典招式——“AlphaFold2 反向验证”。因为 AlphaFold2 是预测结构的专家，你可以把最终设计的氨基酸序列输入给它，让它预测一下这个序列会折叠成什么样。如果 AlphaFold2 预测的结构和你设计的骨架高度一致（比如平均 RMSD 很小），那就说明这个序列“忠实于”你的设计，可以进入下一关。这就像一个工程监理拿着设计图来验收，确认“按图施工，没跑偏”。
- 总能量$E_{\text{total}}$ 表示当前全原子结构的物理总能量，是几个能量项的加权和。自然界偏爱低能量状态，就像皮球总爱滚到坑底。
- 范德华项$w_{\text{vdw}} E_{\text{vdw}}$ 是范德华力能量项，惩罚原子之间“太挤”或“太散”。$w_{\text{vdw}}$ 是它的权重系数。
- 静电项$w_{\text{elec}} E_{\text{elec}}$ 是静电相互作用项，处理带电残基之间的吸引与排斥，$w_{\text{elec}}$ 为该项权重。
- 氢键项$w_{\text{hbond}} E_{\text{hbond}}$ 是氢键能量项，鼓励形成蛋白质内部稳定的氢键网络。三项加权求和，通过最小化 $E_{\text{total}}$ 获得最优侧链摆放。
评估与验证
图纸画完、验收通过，工地就要开工了。在真实工作流中，RFdiffusion 生成的数千个候选结构，不会全部进入湿实验，而是先过一道计算筛选。筛选工具是 AlphaFold2 预测的置信度（pLDDT）和设计序列的自洽性（pAE），以及物理能量打分。pLDDT 高，说明预测结构很扎实；pAE 低，说明域间相对位置很确定。AI 结构师可以一次交出 1000 张图纸，但只有其中 pLDDT 高、能量低的几十张，才值得花钱去“施工”。
施工环节是基因合成与表达测试。研究人员把设计的氨基酸序列逆向翻译成 DNA，用基因合成仪造出这段基因（通常几百到几千块人民币一段），然后转染进大肠杆菌等宿主细胞里。如果细菌成功表达出蛋白，接下来就看这个蛋白能不能折叠成目标结构、能不能执行预设功能——比如是否真的结合了那个靶点。这一步，是纯粹生物学验证：用 X 射线晶体学或冷冻电镜解析真实结构，与设计结构比对。这一步如果通过了，才算真正跑通了一个闭环。
值得一提的是，这个“生成-筛选-合成-验证”的流程，本身就是 AI+生命科学的一个完美缩影。RFdiffusion 负责“创造性爆发”，AlphaFold2 负责“可信度把关”，分子生物学技术负责“物理现实检验”。每一轮湿实验的数据反馈还能进一步指导下一轮设计——比如某个设计虽然折叠正确但表达量低，下一轮可以在序列层面做优化。这就是 AI 与实验双向驱动的闭环迭代。有了这套流程，蛋白质设计不再像买彩票，而更像一座系统化的“纳米工程流水线”。
AI 应用场景
新药靶点的“定制结合蛋白”
阶段：条件扩散生成 + 保活基序约束
解决的问题：传统抗体研发依赖动物免疫，周期长（6-12 个月）、成功率低。RFdiffusion 可以针对任意靶点蛋白的表面，设计出能高亲和力结合的迷你蛋白（binder）。
具体案例：2023 年发表在 Nature 上的研究里，团队针对流感病毒血凝素（HA）蛋白设计了一批小分子结合蛋白。他们先用计算设计出 100 多个候选，再挑出 8 个进行实验验证，最终有 4 个在皮摩尔级别亲和力结合靶点，效力媲美传统抗体。整个设计周期只用了不到一个月。
酶活性位点的“人工支架重建”
阶段：全原子精修 + AF2 验证
解决的问题：天然酶往往不耐高温、不易在大肠杆菌中表达。RFdiffusion 可以提取酶的活性中心（含关键催化残基），重新设计一个更稳定、更小的蛋白支架来呈现这个活性位点。
具体案例：某工业酶项目需要一种在 60°C 下仍能工作的酯酶。团队用 RFdiffusion 将催化三联体固定在人工设计的 α/β 折叠桶骨架上，再经全原子精修获得序列。湿实验显示，新酶的热变性温度比天然酶提高了 15°C，活性保持不变。
疫苗免疫原的“表位呈现骨架”
阶段：保活基序约束 + 条件扩散生成
解决的问题：疫苗设计的核心是让免疫系统看到病毒的“表位”（抗原决定簇），但天然表位通常不稳定。RFdiffusion 可以把表位骨架“冻结”在支架蛋白表面，使其以正确构象展示给免疫细胞。
具体案例：针对 RSV 病毒融合蛋白的某个中和表位，研究者用 RFdiffusion 设计了多款展示蛋白，免疫小鼠后成功诱导出高滴度中和抗体，其效价高于传统的表位-载体偶联疫苗。
Python 演示
import numpy as npimport matplotlib.pyplot as plt def generate_target_spiral(n_residues=50): """生成一条理想化的三维螺旋骨架作为目标结构""" t = np.linspace(0, 4 * np.pi, n_residues) x = np.cos(t) * 5.0 y = np.sin(t) * 5.0 z = np.linspace(0, 10, n_residues) return np.stack([x, y, z], axis=1) def forward_noise(x0, steps=100, beta_start=0.01, beta_end=0.1): """前向过程：逐步添加高斯噪声摧毁结构""" betas = np.linspace(beta_start, beta_end, steps) noisy_traj = [] x = x0.copy() for beta in betas: noise = np.random.randn(*x.shape) * np.sqrt(beta) x = np.sqrt(1 - beta) * x + noise noisy_traj.append(x.copy()) return noisy_traj def reverse_fix(x_noisy, motif_mask, motif_coords): """模拟一步去噪：骨架收缩到均值，保活基序坐标钉死""" # 简化反向更新：向目标螺旋收缩（用均值替代学习到的噪声预测） target = generate_target_spiral(len(x_noisy)) x_clean = x_noisy + 0.05 * (target - x_noisy) # 保活约束：锁定基序坐标 x_clean[motif_mask] = motif_coords[motif_mask] return x_clean def diffuse_design(n_steps=200, seed=42): """执行简化版扩散生成，返回骨架轨迹""" rng = np.random.default_rng(seed) n_res = 50 target = generate_target_spiral(n_res) # 初始噪声点云 x = rng.normal(size=(n_res, 3)) # 活性位点：第 20~24 号残基锁定 motif_mask = np.zeros(n_res, dtype=bool) motif_mask[20:25] = True motif_coords = target.copy() for step in range(n_steps): x = reverse_fix(x, motif_mask, motif_coords) if step % 40 == 0: print(f"Step {step:3d} | 原子RMSD: " f"{np.sqrt(((x - target) ** 2).sum(axis=1).mean()):.3f}") return x, target, motif_coords x_final, target, motif = diffuse_design()fig = plt.figure(figsize=(6, 4))ax = fig.add_subplot(111, projection='3d')ax.plot(x_final[:, 0], x_final[:, 1], x_final[:, 2], 'o-', color='#818CF8', label='设计骨架')ax.plot(motif[20:25, 0], motif[20:25, 1], motif[20:25, 2], 'r*', markersize=12, label='活性位点（锁定）')ax.legend()plt.title("Simplified RFdiffusion Demo")plt.tight_layout()plt.savefig("rf_diffusion_demo.png", dpi=100)plt.show()
generate_target_spiral()生成一条理想化的三维螺旋，代表“甲方想要的功能结构”，是生成的目标锚点。forward_noise()前向过程：逐步添加高斯噪声，对应公式 $q(x_t|x_0)$。reverse_fix()简化反向过程：向目标结构收缩，同时强制还原指定残基坐标，体现“保活基序约束”。motif_mask[20:25] = True将第 20-24 号残基标记为活性位点，扩散过程中不允许移动。rng.default_rng(seed)控制随机种子，决定每次生成的结构多样性。
常见误区
误区我以为 RFdiffusion 和 AlphaFold2 一样，输入一段氨基酸序列，输出它的三维结构。它俩都是深度学习模型，应该差不多吧？
正解完全相反。AlphaFold2 是“从序列到结构”的预测器；RFdiffusion 是“从结构需求到序列”的生成器。它输入的是结构约束（比如活性位点的空间坐标），输出的是满足约束的完整蛋白骨架和对应的氨基酸序列。打个比方：AlphaFold2 是考古学家，根据化石碎片推断恐龙长啥样；RFdiffusion 是科幻设计师，你告诉它“要一头会喷火的龙”，它直接给你画出来。
为何常见：因为两者名字近似、都做结构预测，且都来自同一个 IPD 实验室，初学者很容易把“看结构”和“画结构”混为一谈。
误区既然叫保活（motif scaffolding），那一定就是把拿到手的活性肽段用 linker 接上载体蛋白，跟搭积木一样简单。
正解RFdiffusion 的保活更深一层：它把基序的空间坐标锁定之后，整个蛋白骨架都是“围绕基序从零生长出来”的。不是拼接，而是让新骨架“拥抱”基序。就像你给建筑师一个金属球，要求“房间必须正好包裹住球”，建筑师会重新设计整个房间，而不是在现成房间里硬塞一个球。
为何常见：传统蛋白设计里常用“移植”（grafting）策略，人们会习惯性地用这种“零件组装”的思维去理解新方法。
误区全原子精修，不就是对包括主链在内的所有原子都做能量最小化吗？那最终结构肯定跟扩散出来的骨架不一样了。
正解RFdiffusion 精修阶段重点是补全侧链原子并优化侧链构象（rotamer），主链骨架基本保持不变。主链坐标在扩散阶段已经定死了，精修只负责让侧链找到最舒服的朝向。这就像毛坯房框架已经盖好了，装修环节不会去拆承重墙，只会在房间里摆家具。
为何常见：“全原子”这个词容易让人误以为要对全局做重新洗牌，但实际上“全原子”指的是覆盖了所有原子种类（含侧链），而不是重新生成所有坐标。
误区既然是随机噪声开始，那同一个条件下两次运行结果肯定完全不一样，论文里那些结构是不是碰运气跑出来的？
正解随机性正是设计的优势——它带来多样性，让研究人员在同一个条件下获得成千上万种不同骨架方案；但整个流程是严格可复现的。只要固定随机种子（seed），扩散过程的每一步噪声就是确定的，配合固定模型权重，相同输入必然得到相同输出。科学实验需要可复现性，这一点扩散模型天然支持。
为何常见：人们把“随机初始化”等同于“不可控”，忽略了伪随机数种子这一常规工程手段。
误区RFdiffusion 生成的蛋白结构这么漂亮，AlphaFold2 验证也通过了，应该直接拿来用就行，没必要再花大价钱做基因合成和表达测试。
正解计算设计只是候选，真实的蛋白是否能正确折叠、表达、结合靶点，受太多湿实验因素的影响：密码子偏好、表达宿主、分子伴侣、翻译后修饰等。论文中设计的成功率虽高，但远非 100%，通常只有 10%-30% 的候选能通过最终的功能实验。所以“计算选优 + 湿实验终审”是必须的双闭环。
为何常见：深度学习模型的“惊艳表现”容易让人产生完美主义幻觉，忽略了 AI 预测与现实生物物理之间仍存的巨大鸿沟。
面试题
Q1. 关于 RFdiffusion 的基本定位，下列说法正确的是？
- A.从氨基酸序列预测蛋白质三维结构的模型
- B.从结构约束出发生成全新蛋白质骨架的模型← 正确答案
- C.用于蛋白质序列比对和进化树构建的模型
- D.用于分子动力学模拟蛋白质折叠过程的工具
答案：B。RFdiffusion 是生成模型，从结构需求出发“画”出新蛋白，而不是从序列“预测”结构。A 是 AlphaFold2 的功能，C 是生物信息学工具，D 是物理模拟方法，都与 RFdiffusion 的核心定位不符。
Q2. 在 RFdiffusion 的简化表示中，每个氨基酸残基的骨架由哪三个原子确定？
- A.N、Cα、C'← 正确答案
- B.Cα、Cβ、Cγ
- C.N、O、H
- D.Cα、N、O
答案：A。N（氨基氮）、Cα（α碳）、C'（羰基碳）三个原子定义了每个残基的骨架位置，是主链的基本“铆钉”。Cβ 和 Cγ 属于侧链原子，N、O、H 不是完整的骨架定义方式。
Q3. 扩散模型的前向过程（forward process）在做什么？
- A.从噪声逐步去噪还原出蛋白质结构
- B.将蛋白质结构逐步添加高斯噪声直到变成纯噪声← 正确答案
- C.用能量最小化优化侧链的旋转异构体
- D.将氨基酸序列翻译成 DNA 序列
答案：B。前向过程就是“给清晰图泼墨水”，逐步加噪直到完全模糊。反向过程才是从噪声恢复结构。C 是全原子精修的内容，D 是基因合成前的操作，都不属于扩散模型的前向过程。
Q4. RFdiffusion 中“保活基序约束”（motif scaffolding）最准确的含义是？
- A.将一段活性肽段用柔性 linker 连接到载体蛋白上
- B.在扩散过程中锁定基序原子的坐标，让周围骨架围绕它生长← 正确答案
- C.用 AlphaFold2 验证基序是否能正确折叠
- D.通过随机突变优化基序的氨基酸序列
答案：B。保活约束是在每一步去噪时，将功能基序的坐标强制钉回初始值，其余部分由模型自由生成来“适配”基序。A 是传统的移植策略，C 是验证环节，D 是序列优化，均与原意不符。
Q5. 关于扩散模型的反向去噪过程，下列描述正确的是？
- A.从纯噪声出发，逐步还原出合理蛋白质结构← 正确答案
- B.每一步由网络预测均值，再按固定方差采样← 正确答案
- C.反向过程的步数和前向过程完全无关
- D.网络需要学习预测 $x_{t-1}$ 的条件分布← 正确答案
答案：ABD。反向过程确实从噪声出发逐步去噪（A）。每一步网络预测均值 $\mu_\theta$，再按方差 $\Sigma_t$ 采样（B），学习目标就是第 t-1 步的条件分布（D）。反向步数虽然可以任意设定，但通常和训练时的前向步数一致，原则上有关联，C 说法错误。
Q6. 在全原子精修阶段，RFdiffusion 主要做的工作是什么？
- A.重新优化主链骨架的所有原子坐标
- B.补全侧链原子并通过能量最小化优化侧链构象← 正确答案
- C.对设计的序列做密码子优化
- D.计算蛋白与靶点的结合自由能
答案：B。精修阶段聚焦于侧链的补全与构象优化，主链骨架基本不动。A 错误，主链在扩散阶段已定形。C 是基因表达环节的优化，D 是虚拟筛选的结合能力评估，均非精修阶段的核心任务。
Q7. RFdiffusion 的完整设计流程包括哪些关键环节？
- A.条件扩散生成蛋白骨架← 正确答案
- B.保活基序约束锁定功能位点← 正确答案
- C.全原子精修补全侧链← 正确答案
- D.基因合成与湿实验功能验证← 正确答案
答案：ABCD。完整闭环包含：条件扩散生成（A）、功能基序约束（B）、全原子精修（C）、计算筛选与湿实验验证（D）。四个环节缺一不可，从设计到实验互为补充，共同构成了「设计-验证」循环。
Q8. 为什么从头蛋白设计需要使用“骨架先行、原子精修”的分步策略？
- A.因为骨架原子数量比侧链多，先画骨架效率更高
- B.因为降低表示维度可以显著降低生成难度和计算量← 正确答案
- C.因为侧链原子在蛋白质中完全不重要
- D.因为 AlphaFold2 只能预测主链结构
答案：B。只生成 N-Cα-C' 三个骨架原子，维度远低于全原子表示，扩散模型更容易训练和采样，生成质量更高。侧链再交给精修阶段处理，这比一步到位生成全原子要可行得多。C、D 说法显然错误，A 并非主要原因。
Q9. 在保活基序约束中，“锁定坐标”的具体含义是？
- A.在扩散过程中，基序原子的坐标每步都被重置为初始值← 正确答案
- B.只在第一步锁定基序，后续全部自由生成
- C.基序的每个残基必须保持天然氨基酸身份不变
- D.基序的坐标只约束主链，侧链完全自由
答案：A。保活约束是在反向去噪的每一步，将基序原子坐标强制设回初始值（$x_{t-1}^{\text{motif}} = x_0^{\text{motif}}$），保证功能位点在生成全程不形变。B 只锁第一步、C 锁氨基酸身份、D 只锁主链，均与原方法不符。
Q10. 关于扩散模型在蛋白质设计中的优势，下列说法正确的是？
- A.可以为同一需求生成大量多样化的候选结构← 正确答案
- B.生成的候选结构全部能直接通过湿实验验证
- C.可以灵活接受功能位点等条件约束← 正确答案
- D.生成结果完全不可复现
答案：AC。扩散模型的随机噪声带来了设计多样性（A），条件扩散机制让它能灵活接受保活约束等条件（C）。湿实验成功率并非 100%，B 错误；固定随机种子可以保证可复现，D 错误。