★ FEATURED ARTICLE 人工智能大模型基础模型深度学习生物信息学科研【免费下载链接】RFD4-Proteina项目地址https://ai.gitcode.com/hf_mirrors/nvidia/RFD4-Proteina点击查看免费下载RFD4-Proteína 是一款由 Baker Lab 与 NVIDIA GenAIR 联合开发的蛋白质酶设计模型能够把酶基序enzyme motif与蛋白序列、全原子结构一起生成。本文将带你完成一次完整的酶支架化实操以一个真实仓库自带的酶设计输入为例用 3 条命令围绕乳清酸 锌离子催化基序设计出约 180 个残基的全新蛋白支架。说明RFD4-Proteína 是 flow-matching流匹配生成模型输出是同时包含序列身份和原子坐标的 CIF 结构文件而不是先生成骨架再单独设计序列的两段式流程。这正是它做酶支架化enzyme motif scaffolding的核心优势。一、为什么用 RFD4-Proteína 做酶设计传统酶支架化流程通常是生成骨架 → 逆折叠设计序列 → 单独评估各环节相互割裂。RFD4-Proteína 的做法是条件式联合生成你要保留的酶基序、配体、金属离子、结合靶标作为固定条件输入你要设计的剩余支架的序列 结构由模型一次性生成。 关键概念——Annotated CIF输入不是一个普通 PDB而是带标注的 CIF 文件标注明确区分哪些原子保持固定、哪些区域交给模型设计。官方文档特别强调一个没有标注的普通结构文件并不是一份完整的设计规范。二、准备工作环境与硬件要求1. 硬件要求项目要求操作系统Linux x86_64Python3.12GPU支持的 NVIDIA GPUA100、H100、L40S、RTX 6000 等 CUDA 13 兼容驱动模型权重FP32 约 1.74 GB峰值显存取决于 token 数与 recycle 深度2. 安装方式三选一方式 APyPI推荐新手把模型装进自己的 Python 环境python3.12 -m venv .venv source .venv/bin/activate pip install --extra-index-url https://download.pytorch.org/whl/cu132 rfd4-proteina[metrics-cuda13]方式 B源码安装完整工作流带标注输入、奖励引导搜索、refolding 指标git clone https://gitcode.com/hf_mirrors/nvidia/RFD4-Proteina cd RFD4-Proteina make setup source .venv/bin/activate方式 C容器镜像免编译适合集群仓库内置预构建的 Apptainer / SquashFS 运行镜像见 runtime/ 目录例如 rfd4-proteina-cu13-amd64.sif配套 SHA-256 校验文件apptainer exec --nv runtime/rfd4-proteina-cu13-amd64.sif \ rfd4-generate hf_ckpt_pathnvidia/RFD4-Proteina inputsin.cif out_dir./runs 生成过程不需要训练数据集模型权重由Proteina.from_pretrained(nvidia/RFD4-Proteina)或hf_ckpt_path自动拉取。本仓库根目录的 config.json 与model.safetensors就是原生模型包flow 模型 匹配自编码器的 EMA 权重共 4.35 亿参数其配对关系与 SHA-256 记录在 release-checkpoints.json。三、看懂酶设计输入文件标注决定了设计边界本仓库自带一份酶设计示例输入 examples/enzyme_design/input.cif我们先拆解它固定了什么、设计了什么组成部分内容角色ASP 残基entity 01 个天冬氨酸催化基序的一部分保持固定ORO 配体chain C乳清酸orotate底物/配体保持固定ZN 离子chain B锌离子2 价金属辅因子保持固定180-180采样区_rfd_design.sampled_contig待设计区段交给模型生成其中第 132 行的_rfd_design.sampled_contig 180-180声明了采样设计区域见 input.cif#L132而第 116–130 行列出了基序中每个被固定原子的坐标与掩码标注mask_coordinate_1_atom为 True 的原子坐标将被保留一句话理解把1 个天冬氨酸 乳清酸 锌离子当作种子让模型设计出能稳稳包裹住它们的约 180 残基新支架。四、一键生成酶支架rfd4-generate 完整命令输入准备好后核心只需一条命令rfd4-generate inputsexamples/enzyme_design/input.cif \ hf_ckpt_pathnvidia/RFD4-Proteina \ hf_ckpt_revisiona06e2509c7033b010fc43614e9fd840303588502 \ num_replicates1 out_dir./runs/enzyme ~metrics compile_lengthsnull参数速读inputs带标注的输入 CIF本例为酶基序输入hf_ckpt_path/hf_ckpt_revision指定模型仓库与固定版本保证可复现num_replicates1每个示例生成 1 份设计可加大做多样化采样~metrics compile_lengthsnull首次运行关闭外部评分与编译让安装更简单其余默认值来自 inference.yaml例如默认的recycle_strategy: thinking_medium。生成的 CIF 会出现在runs/enzyme/inference_samples/下。想换设计目标把inputs换成仓库里的 examples/protein_binder/input.cif蛋白-蛋白结合物或 examples/antibody_design/input.cif抗体设计即可其余参数不变。五、验收设计结果怎么判断支架设计成功仓库自带的示例输出 examples/enzyme_design/design.cif 就是一次成功设计一条 180 个残基的全新蛋白序列前缀见 design.cif#L20-L24基序原子被完整保留在结构内。实际项目中判断酶支架化是否成功的通用标准与官方 Atomic Motif Enzyme 基准一致详见 benchmarks/METHODS.md指标通过阈值蛋白骨架 RMSD≤ 2 Å必需基序全原子 RMSD≤ 1.5 ÅAF3 最小界面 PAE 1.5 Å 官方基准成绩AME 基准37 个酶基序靶标RFD4-Proteínahigh thinking每 GPU-小时平均产出91.18 个结构上不同的计算通过设计而同场对比的最强方法 AlphaProtein-novo (Codesign) 为 26.02效率约为其 3.5 倍。完整数据见 benchmarks/summary.csv。⚠️ 注意计算层面的通过不等于实验活性最终设计仍需结构与实验双重验证。六、进阶调参用思考预算平衡质量与速度RFD4-Proteína 通过recycle_strategy控制每个采样步中主干网络的复用次数相当于思考深度预设主干通过次数适用场景thinking_low120快速粗筛thinking_medium默认180日常设计thinking_high300高价值目标例如生成时追加recycle_strategythinking_high即可提升质量。批量设计时可配合num_replicates生成候选集再用 Foldseek 聚类去重挑选结构多样的高质量支架。七、常见问题 FAQQ1flow 模型和自编码器可以混用不同版本的吗不可以。二者是训练时配对的一组自编码器定义了 flow 模型生成所在的潜空间混用不同发布的组件会产出无意义结果而非报错。请以 release-checkpoints.json 中的配对信息为准。Q2输出的 CIF 能直接拿去实验吗CIF 里同时含有序列和全原子坐标可直接导入可视化软件检查基序几何或送入 refolding/评分流程需要单独的 AF2/OpenFold3 环境见 openfold3/runtime/生成本身不需要它们。Q3许可与引用RFD4-Proteína 模型与权重为BSD 3-Clause许可见 LICENSE报告结果时请引用项目并记录精确的模型版本、代码版本、随机种子与采样配置。 本文涉及的关键文件速查文件用途examples/enzyme_design/input.cif酶基序设计输入ASP ORO ZNexamples/enzyme_design/design.cif示例输出180 残基新支架inference.yaml推理默认配置含 thinking_mediumconfig.json model.safetensors原生模型权重包flow_checkpoints/rfd4_proteina_flow-ema.ckpt原生 Lightning flow 权重ae_checkpoints/rfd4_proteina_ae-ema.ckpt配对自编码器权重benchmarks/METHODS.md基准方法与通过标准赞分享人工智能大模型基础模型深度学习生物信息学科研【免费下载链接】RFD4-Proteina项目地址https://ai.gitcode.com/hf_mirrors/nvidia/RFD4-Proteina点击查看免费下载相关推荐RFD4-Proteina-Diffusers酶设计与基序支架从催化基序到小分子结合口袋完整教程RFD4 Proteina Diffusers酶设计与基序支架从催化基序到小分子结合口袋完整教程 RFD4 Proteina Diffusers 是 NVIDRFD4-Proteina-prep的10个官方示例全解从PD-L1蛋白结合到酶设计的7大场景RFD4 Proteina prep的10个官方示例全解从PD L1蛋白结合到酶设计的7大场景 RFD4 Proteina prep 是 RFD4 Prote人工智能生物信息学GitHub_Trending/aw/awesome-blender3D模型碰撞体生成Convex Hull与V-HACD插件GitHub_Trending/aw/awesome blender3D模型碰撞体生成Convex Hull与V HACD插件 你是否还在为复杂3D模型的碰撞人工智能深度学习预训练生物信息学大模型上一篇多智能体赛道突然卷起来了字节 57k Star 霸榜、The Agency 爆火生态在往哪走下一篇复现EVIE-Preview-4.5B官方成绩22个ViDoRe数据集与多GPU分布式评测完整教程创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
阅读完成 · 觉得有帮助？
