RFdiffusion 能直接生成蛋白质序列吗？

不能。RFdiffusion 只生成骨架，序列由 ProteinMPNN 反推，最后用 AlphaFold2/ESMFold 折回来验证自洽。

蛋白和小分子的 3D 扩散为什么需要等变网络？

因为平移或旋转整个分子不改变物理意义，等变网络保证物理上等价的输入得到物理上等价的输出，避免学到伪先验。

单细胞 RNA-seq 扩散为什么不能用图像那套评估？

因为单细胞表达是高维稀疏向量，没法肉眼看像不像。评估要看分布匹配、基因-基因联合关系和下游任务 TSTR。

什么是 self-consistency（scTM）？

指扩散产的骨架能否被 MPNN 产的序列经 AF2 折回相似结构，用 TM-score 衡量。它补上了训练目标≠验收目标的 gap，是蛋白生成的金标准。

扩散模型教程第8章：生物与分子读者轨道

本章是系列第 8 章：把前面所有机制、旋钮、评估落到四条真实的生物轨道——蛋白结构、小分子配体、单细胞组学、显微病理图像，并用 RFdiffusion 这条最出名的蛋白设计流水线做深度案例。前置：第 1 章（生物问题=条件生成）、第 6 章（条件注入）、第 7 章（四层评估与选型）。这一章是它们的落地。系列内：条件注入机制见第 6 章训练与采样旋钮；评估菜单见第 7 章按数据结构选型；蛋白工具链见 ProteinMPNN / RFdiffusion 蛋白质设计。

1. 本章目标与验收标准

学完本章，你应能在不看笔记的情况下完成下列自检：

对蛋白 / 小分子 / 单细胞 / 病理四类任务，各填出「输入 x / 输出 / 条件 y / 评估」四要素模板。
解释为什么蛋白和小分子的 3D 扩散必须用等变网络，而单细胞扩散不用 U-Net。
说清 RFdiffusion 流水线里「谁产结构、谁产序列、谁做裁判」的三段分工。
解释 self-consistency（scTM）是什么、为什么它是蛋白生成的金标准、为什么裁判必须独立。
拿一个你领域的真实任务，套上对应轨道的四要素并选对条件注入方式。

字数与深度定位：生物落地章（约 8500–12000 汉字）。不从零训练任何模型、不背命令行 flag、不深入每个工具的安装教程。

2. 四条轨道的统一视角

前面七章讲的都是「通用扩散」。落到生物，你会遇到四类差别极大的数据。但它们共享同一套四要素框架——先把这个框架建立起来，后面每条轨道就是往里填空：

flowchart TB
Bio["生物生成需求"] --> P["轨道一 蛋白结构<br/>在 3D 空间去噪"]
Bio --> M["轨道二 小分子配体<br/>在分子空间去噪"]
Bio --> S["轨道三 单细胞组学<br/>在表达空间去噪"]
Bio --> I["轨道四 显微病理<br/>最接近自然图像"]

生物扩散的四条轨道

轨道	被去噪对象 x	和图像的最大差别	等变性要求
蛋白结构	残基坐标 + 朝向（SE(3) frame）	3D 几何、有物理约束	强（SE(3) 等变）
小分子	原子类型 + 3D 坐标 / 2D 图	离散+连续混合、化合价约束	强（E(3) 等变）
单细胞	高维稀疏表达向量	无空间邻接、非负长尾	无（用 MLP/Transformer）
病理图像	像素 / 潜向量	超高分辨率、染色变异	无（复用图像那套）

一个贯穿本章的四要素模板，每条轨道都会填一遍：

输入 x：要生成、要被去噪的对象。
输出：一批候选（注意是「一批」，扩散产的是分布上的样本）。
条件 y：约束生成方向的信息（口袋、序列、类别、mask 等）。
评估：怎么判断生成得好不好——这是生物任务里最容易翻车的一环（第 7 章专讲）。

四条轨道的上手难度恰好和上表的「等变性要求」正相关，这个排序值得记住。病理图像最容易上手——它本质就是自然图像，Stable Diffusion 那套（U-Net/DiT + LDM + ControlNet）可以近乎直接复用，你在前七章学的东西迁移成本最低。单细胞其次——不需要等变，但要换掉卷积主干、且评估思路和图像完全不同（看分布不看像素）。蛋白和小分子最难——它们活在 3D 几何空间里，对旋转平移有强等变性要求，网络架构、加噪方式、评估指标都要专门设计。所以如果你是生物背景第一次做扩散，建议从病理图像轨道起步，把「训练-采样-条件-评估」的完整闭环在最熟悉的图像上跑通，再迁移到几何约束更强的蛋白、小分子轨道。这也是本章把四轨道按「图像→组学→分子→蛋白」由易到难铺开、但把最能体现工程完整性的蛋白设计（RFdiffusion）留到 §7 做深案例的原因。

3. 轨道一：蛋白结构生成

3.1 四要素快照

要素	内容
输入 x	3D 结构（每个残基的 Cα / 全原子坐标；或旋转–平移变换 SE(3) frame）
输出	一批候选结构（骨架，或 backbone + 侧链）
条件 y	可选：功能位点、目标口袋、对称性约束、二级结构提示、目标长度、参考骨架
评估	结构合理性（clash / bond length）+ 可折叠性（AF2 self-consistency）+ 目标满足度

一句话定位：蛋白结构生成是「在 3D 空间里去噪」，被去噪对象不是像素，而是每个残基的坐标 + 朝向。

3.2 为什么这里必须「等变」

蛋白结构在 3D 空间里，旋转整个分子、平移整个分子，都不改变它的物理意义。但普通 U-Net 处理的是像素网格——一旦旋转输入，输出会完全变。

心智模型：如果你训练一个模型去看「这个蛋白哪个位置是活性口袋」，训练时它是站着的，测试时把它躺下来——一个没有「等变性」的网络就完全懵了。

解决办法：用等变网络（SE(3)-Equivariant Network）作为去噪骨干。核心保证是：旋转输入 $R \cdot x$ 时输出也跟着旋转 $R \cdot f(x)$ （旋转等变），平移输入 $x + t$ 时输出也跟着平移 $f(x) + t$ （平移等变）。代表结构有 EGNN、SE(3)-Transformer、IPA（Invariant Point Attention，AlphaFold2 里那一层）。这些名字不用背，只需知道它们的作用是让「物理上等价的输入」得到「物理上等价的输出」。

3.3 三种范式：从坐标扩散到 SE(3) 扩散

范式	被去噪对象	代表工作	特点
坐标扩散	Cα / 全原子坐标	早期结构扩散	直观；但坐标本身没物理约束，训练难
SE(3) 扩散（当前主流）	每个残基的旋转 $R$ + 平移 $t$	RFdiffusion 及后代	直接在 SE(3) 流形上加噪去噪，结构更物理合理
联合扩散（结构+序列）	结构 + 氨基酸类别	AlphaFold3 风格	结构和序列同时生成，应用最广

为什么会朝 SE(3) 扩散演化：在坐标空间加高斯噪声，会拉长键、扭曲键角，网络得花大量能量学「回到合理化学」；而在 SE(3) 空间加噪，键长键角天然保持，只在「每个残基往哪转、往哪走一点」上做扰动——训练效率高得多，样本质量也更好。

只保留讲解用的公式（SE(3) 扩散最简版本，不要求手推）。对每个残基 $i$ ，平移部分像常规 DDPM 一样在欧氏空间加高斯噪声，旋转部分在 SO(3) 流形上加噪：

t_i^{\text{noisy}} = t_i + \sqrt{\beta}\,\varepsilon_t,\quad \varepsilon_t \sim \mathcal{N}(0,I)

R_i^{\text{noisy}} = R_i \cdot \mathrm{Exp}(\sqrt{\beta}\,\varepsilon_R),\quad \varepsilon_R \sim \text{SO(3) 上的正态}

必记含义：平移那行和第 2 章的 DDPM 完全同构；旋转那行是「在旋转空间的常规扩散」——不是先转成欧拉角再加高斯（那会踩万向锁），而是直接在旋转矩阵的切空间上加高斯，再指数映射回去。两条独立，各有各的 $\beta$ 调度。

3.4 关键步骤逐步拆开

以「SE(3) 扩散生成蛋白骨架」为例：

flowchart TB
Cond["条件 y<br/>功能位点/长度/对称性"] --> Enc["条件编码"]
Noise["初始化 每残基旋转/平移各自的噪声"] --> Step
Enc --> Step
Step["等变去噪网络<br/>预测每步位姿更新"] --> Iter{"t 大于 0 ?"}
Iter -->|"是"| Step
Iter -->|"否"| Refine["侧链填充 / Rosetta 精修（可选）"]
Refine --> Eval["评估 AF2 重折叠 + clash + 目标满足"]

蛋白骨架 SE(3) 扩散流程

步骤 A · 骨架加噪/去噪（结构主循环）：核心生成过程，从「完全随机的位姿」逐步去噪到「物理合理的骨架」。训练时步数通常 100–1000，采样时可用 DPM++ 加速到 20–50。旋转用 SO(3) 分布、平移用高斯，两者分别调度。新手不用碰这两个调度，用官方默认，只调采样步数——步数太少（< 10）结构乱七八糟，步数太多（> 200）完全不加速。
步骤 B · 条件注入：按第 6 章三大方式选。功能位点（「第 30–50 号残基必须构成某种口袋」）走模板式条件（类似 ControlNet，把目标位置的位姿约束作控制通道）；参考骨架走 cross-attention（把参考骨架编码成 token）；对称性走硬约束（数据对称化或采样时投影到对称流形）。
步骤 C · 侧链填充 + 精修（可选后处理）：大多数结构扩散只生成骨架（Cα + N + C + O）。要用到实际功能，需侧链回填（Rosetta / 专门的侧链扩散模型）+ 物理精修（Rosetta relax / OpenMM 短 MD）。这一步严格说不是扩散的一部分，但生物落地几乎必需——单纯扩散结构常有小 clash。
步骤 D · 评估：AF2 self-consistency：这是金标准，下一节（§7 RFdiffusion 深案例）会完整展开。

3.5 预期结果与常见失败

成功的样子：骨架的 AF2 self-consistency TM-score > 0.7（越高越好），无严重 clash（原子间距 < 2Å 的比例 < 1%），目标功能位点几何误差 < 1Å。

失败现象	可能原因	处理
结构像一团面条、缺二级结构	训练不充分 / 步数太少	增加训练轮数；采样步数 20 → 50
self-consistency TM-score 长期 < 0.4	生成分布偏离真实蛋白分布	检查数据集；引入序列联合训练
有严重 clash	缺少物理精修	加 OpenMM relax；训练时加 clash 惩罚
生成的「活性位点」不像功能位点	条件注入太弱	从 cross-attn 换成 ControlNet 风格模板控制

4. 轨道二：小分子与配体生成

4.1 四要素快照

要素	内容
输入 x	分子（原子集合 + 键；或原子 3D 坐标）
输出	一批候选分子（2D 图 / 3D 构象 / SMILES）
条件 y	靶蛋白口袋、目标性质（logP / QED / SA）、参考分子、指定片段（scaffold）
评估	有效性 + 独特性 + 新颖性 + 对接分数 + 物化性质 + 合成可及性

一句话定位：小分子扩散是「在分子空间里去噪」，可以是 2D 图（原子 + 键），也可以是 3D 坐标（配体在口袋里的构象）。选哪种，取决于你要不要空间信息。

4.2 三种表示，三条路线

flowchart TB
M["一个小分子"] --> R1["① SMILES 字符串"]
M --> R2["② 2D 分子图 原子+键"]
M --> R3["③ 3D 原子坐标"]
R1 -->|"适合"| P1["文本序列扩散"]
R2 -->|"适合"| P2["图扩散 节点/边同时扩散"]
R3 -->|"适合"| P3["3D 等变扩散 需 E(3) 等变"]

小分子的三种表示与路线

你要做的事	选哪种表示
只要分子拓扑，不管构象（先验筛选、生成候选骨架）	2D 图扩散或 SMILES 扩散
需要在口袋里的构象（口袋条件生成、对接评分）	3D 坐标扩散
想复用 LLM 训练框架	SMILES 扩散（当文本处理）

主流走向：现在最热的「口袋条件配体生成」几乎都用 3D 扩散——因为口袋是 3D 的，配体必须在 3D 空间里和口袋咬合。

4.3 关键步骤（以 3D 口袋条件配体扩散为例）

flowchart TB
Pocket["蛋白口袋 y<br/>原子云+元素+电荷"] --> Enc["等变编码器<br/>EGNN/SE(3)-Transformer"]
N["初始化 随机原子云"] --> Step
Enc --> Step
Step["等变去噪网络<br/>联合更新 原子类型+坐标"] --> Iter{"t 大于 0?"}
Iter -->|"是"| Step
Iter -->|"否"| Post["有效性检查 化合价/环"]
Post --> Dock["对接验证 Vina"]

口袋条件配体扩散流程

步骤 A · 分子加噪：原子类型（离散：C/N/O）用离散扩散或先 embed 成连续向量再高斯扩散；原子坐标（连续）走常规高斯扩散；键的存在/类型（离散）通常不显式扩散，采样后由化合价规则或专门的键预测头补上。心智模型是把分子想象成「一堆带颜色的小球 + 弹簧」，加噪时小球位置抖动、颜色以小概率随机换，直到变成一团白色泡沫；去噪就是从泡沫里回捞出一个合理分子。
步骤 B · 条件（口袋）注入：口袋原子云过等变编码器 → 每个口袋原子一个特征 → 主干里用 cross-attention（Q 来自被去噪的配体原子，K/V 来自口袋原子）。必须保证复合物的等变性：旋转/平移整个复合物，去噪结果也跟着转/移，否则网络学到「绝对朝向」信号就会崩。
步骤 C · 采样后处理：单靠扩散生成的分子常有小毛病——化合价违规（用 RDKit 修剪或丢弃）、无效 SMILES（语法检查丢弃）、巨环/无法合成（SA score 过滤）、与口袋 clash（Vina 快速对接过滤）。
步骤 D · 关键评估指标：Validity > 95%、Uniqueness > 95%、Novelty > 90%、QED > 0.5、SA score < 4、Vina 对接分数相对参考分子有优势。第 7 章有完整的分子评估菜单。

只保留讲解用的公式（联合扩散：原子类型 + 坐标）。一个训练步是两条损失加权相加——坐标那项是连续 MSE 去噪损失，原子类型那项是交叉熵（因为类型是离散类别）：

\mathcal{L} = \mathbb{E}\Big[ \|\varepsilon_{\text{pos}} - \hat\varepsilon_{\text{pos}}(x_t, y, t)\|^2 + \text{CE}(\text{type}_{\text{true}}, \text{type}_{\text{pred}}) \Big]

4.4 两个典型任务与常见失败

任务 A · 从头设计针对某激酶的配体：x = 3D 配体分子，y = 口袋原子云，注入方式 = cross-attn，评估 = Vina 对接 + QED + SA + 与已知抑制剂的 Tanimoto 相似度分布。

任务 B · Scaffold-hopping（固定骨架，替换外围基团）：x = 分子中「未固定」的部分，y = 固定的 scaffold（作为模板条件注入，类似图像 inpainting——把 scaffold 原子直接作为「不加噪的区域」），评估 = 新分子的性质变化 + 保留 scaffold 的成功率。

失败现象	可能原因	处理
Validity 只有 50–70%	键预测头没训好 / 化合价约束缺失	加化合价惩罚；或改「先扩散 3D 再化合价预测」两阶段
生成分子巨大、SA 极高	训练集偏大分子 / 没有原子数控制	训练时加「原子数」作额外条件
Docking 好但都是「金属钉子」	学到口袋几何但没学到药物形状先验	加强类药性过滤（QED / SA / Lipinski）
生成分子和参考几乎一样	Novelty 太差	加多样性正则；采样时提高温度 / 降低 CFG

一个 RL 边界提醒（给刚学完强化学习的你）：你会在文献里看到「用 RL 微调扩散策略」（DDPO、DPOK 之类）把分子生成往「打分更高」的方向偏。这是可行的，但要看清顺序——它是在一个已经会生成合理分子的扩散模型之上，再套一层 RL 微调：扩散负责建「合理分子长什么样」的分布，RL 负责在这个分布里往「对接分 / QED 更高」的方向挪。扩散在前、RL 在后，顺序不能反。如果一上来就想用 RL「从零优化出一个分子」，你会得到一堆对接分虚高、化学上却根本不合理的「金属钉子」——因为没有扩散先兜住「像药物分子」这个先验。这正是第 1 章金句的落地：扩散拟合分布，RL 优化奖励，两者串联但不互相替代。

5. 轨道三：单细胞与空间转录组

5.1 四要素快照

要素	内容
输入 x	表达向量（基因 × 1）或空间表达图（基因 × 空间位置）
输出	一批合成细胞 / 合成组织切片的表达谱
条件 y	细胞类型、批次、扰动（药物 / 敲除）、空间坐标、发育时间
评估	分布匹配（不是像素级）+ 下游任务保持（分类 / 聚类 / 轨迹）

一句话定位：单细胞扩散是「在基因表达空间里去噪」，被去噪对象是高维、稀疏、非负的表达向量——和图像差别最大的一类。

5.2 和图像最不一样的三个点

特性	图像	单细胞表达
维度	固定（H×W×3）	高维（约 2 万基因），且稀疏（大量 0）
数值	[0,255] 有界	非负、长尾、technical dropout
空间性	局部相关（卷积友好）	基因间是调控网络，非空间邻接

关键含义：卷积那套「局部性先验」在这里不成立。所以单细胞扩散常用 MLP / Transformer 主干，不用 U-Net 的空间卷积。这是一个新手最容易踩的坑——直接把图像的 U-Net 搬过来，模型会因为「假设了不存在的空间邻接」而学不到基因间的真实调控关系。

5.3 关键步骤（差异点）

预处理：log1p 归一化、选高变基因（HVG）、可选 PCA 降维。
加噪空间：可以在原始表达空间，也可以先 VAE 压到 latent 再扩散（scVI 风格 + 扩散）。
条件注入：细胞类型 / 批次用加法或 cross-attn；扰动可以用「差值向量」。
评估：核心是分布匹配，不是单样本重建。

5.4 评估：为什么不能用「看起来像」

单细胞生成没法肉眼看，评估完全依赖统计与下游任务：

评估维度	具体方法
分布匹配	生成 vs 真实的 UMAP 叠加；每个基因的边缘分布 KS 检验
细胞类型保持	用真实数据训的分类器给合成细胞打标，看分布对不对
基因-基因相关	比较生成 / 真实的基因共表达矩阵
下游任务（TSTR）	Train on Synthetic, Test on Real：用合成数据训模型，在真实数据上测
批次校正效果	生成「去批次」的数据，看跨批次混合程度（kBET / iLISI）

一句话：单细胞生成的评估思想和图像完全不同——图像看「不像」，单细胞看「分布 / 关系 / 下游用不用得上」。这也是第 7 章反复强调的「scRNA 的 L2 结构层是命根子」——L1 完美但 gene-gene 相关塌了，生物学上一钱不值。

任务示例：你有 3 个批次的 PBMC 单细胞数据，想生成「去除批次效应」的合成数据用于下游。x = 单细胞表达向量，y = 批次 id + 细胞类型，注入方式 = 批次用加法 embedding（配合训练时随机置空 → 采样时可「抹掉批次」），评估 = kBET（批次混合度）+ 细胞类型分类保持 + marker 基因表达模式。

6. 轨道四：显微与病理图像

6.1 四要素快照

要素	内容
输入 x	显微 / 病理图像（H&E、荧光、电镜等）
输出	一批合成显微图 / 病理切片
条件 y	染色类型、组织类别、疾病标签、mask（细胞 / 腺体轮廓）、低分辨率图（超分）
评估	FID / KID + 下游任务（分割 / 分类）+ 病理学家盲评

一句话定位：显微 / 病理图像扩散最接近自然图像扩散——可以直接复用 Stable Diffusion 那套，是四类里「入门最快」的。

6.2 和自然图像的三个关键差异

差异	说明
超高分辨率	全切片（WSI）可达 10 万 × 10 万像素 → 必须切 patch 或用 latent
染色变异	同一组织不同医院染色差异大 → 常需染色归一化或用染色作条件
专家标注稀缺	病理标注贵 → 生成常用于「数据增强」补稀有类

6.3 关键步骤（差异点）

潜空间扩散优先：分辨率太高，几乎都用 LDM（latent diffusion）——先 VAE 压缩，再在 latent 上扩散。这正是隐空间扩散的典型用武之地（见隐空间扩散深入）。
染色归一化：训练前把不同来源图像的染色统一（或反过来，把染色风格作为条件）。
条件注入：mask → ControlNet；类别 → 加法；文本描述 → cross-attn。
inpainting：病理里常用「补全」——在已知组织背景上生成特定病变区域。

6.4 落地示例与合规红线

任务：某罕见癌症亚型病理切片只有 200 张，想扩增用于训练分类器。x = 病理图像 patch，y = 癌症亚型标签（+ 可选 mask），注入方式 = 类别加法 +（可选）mask 走 ControlNet，评估 = FID + TSTR（合成数据训分类器在真实测试集上的表现）+ 病理学家盲评。

关键提醒：医学图像生成有合规和伦理红线——合成数据不能替代真实诊断依据；要防止「生成出训练集里的真实患者信息」（隐私泄漏，需做 membership inference 检查）；染色不一致是最容易翻的车（模型学到了某台扫描仪的色调）。这些红线在第 7 章的病理评估菜单里有对应的硬指标。

7. 深度案例：RFdiffusion 蛋白设计流水线

前面四条轨道给了「地图」。这一节挑最成熟、最能体现「扩散不是终点而是流水线一环」的蛋白设计，做一次完整拆解。它来自 Baker 实验室（Watson et al., Nature 2023）——当前 AI 蛋白设计最出名的工作。

7.1 一图看懂：三段式流水线

flowchart TB
S["任务规格<br/>长度/motif/靶点hotspot/对称"] --> R["RFdiffusion<br/>SE(3) 骨架去噪采样"]
R --> B["候选骨架池<br/>N 个 backbone"]
B --> M["ProteinMPNN<br/>每骨架产多条序列"]
M --> F["AF2/ESMFold<br/>折回结构 + pLDDT"]
F --> SC["self-consistency<br/>scTM / scRMSD"]
SC --> L4["硬过滤<br/>clash / 疏水核 / 可表达"]
L4 --> W["湿实验 / 结合测定<br/>真正的终点"]

RFdiffusion 三段式流水线

造车比喻（记住这一句）：RFdiffusion 画车架三维草图；ProteinMPNN 按草图选钢材牌号与零件编号（氨基酸序列）；AlphaFold 把装好的车再扫一遍 3D，看和原草图对不对得上。

7.2 先把边界钉死：谁产结构、谁产序列、谁做裁判

这是全章最重要的一段，请读到能默写。 生物同学接触 RFdiffusion 的第一句常见错误就是「用它生成一条序列」——把这条错误刨掉，就已经能避开一大批开题误区。

模块	角色	输入	输出	是扩散吗？	训练目标
RFdiffusion	骨架/结构生成	任务规格（长度、motif、靶点、hotspot、对称）	残基级 frame（位置 + 朝向），在 SE(3) 上	✅ 是	去噪：从含噪 frame 恢复干净 frame
ProteinMPNN	反向折叠/序列设计	一个骨架	适配该骨架的氨基酸序列（可多条）	❌ 不是	交叉熵：给定骨架下最大化真实序列似然
AF2 / ESMFold	结构预测/裁判	一条序列	预测的 3D 结构 + pLDDT	❌ 不是	结构预测损失

三段口语纠错：

常说（误）	更准确（对）
「用 RFdiffusion 生成序列」	「用 RFdiffusion 生成骨架，再用 ProteinMPNN 设计序列」
「扩散直接设计出 binder 序列」	「扩散提出几何合理的结合骨架候选；序列与可折叠性还要后处理 + 过滤」
「和 ChatGPT 写蛋白一样」	「一个在 3D 几何流形（SE(3)）上采样结构；一个在离散 token 上建模语言——任务空间不同」

一句总结：扩散产候选（骨架），MPNN 翻译成化学式（序列），预测器和实验做裁判——这是三种不同训练目标的模型协作，不要混用它们的成绩单。

7.3 原理深挖：五个「为什么」

(1) 为什么建模空间是 SE(3) frame 而不是原子坐标？ 蛋白骨架对整体旋转平移是等变的——把整个蛋白转一下、平移一下，还是同一个蛋白，模型不该学到「当分子恰好朝北时才认识它」这种伪先验。每个残基用一个刚体坐标系（frame：位置 $t \in \mathbb{R}^3$ + 朝向 $R \in \mathrm{SO}(3)$ ）表示。平移部分像普通高斯扩散，旋转部分在 SO(3) 上做扩散——整个网络天然 SE(3)-等变，与蛋白的物理事实一致。

(2) 为什么用 RoseTTAFold 主干、且是「微调」而非从零训？ 核心逻辑：结构预测器已经隐含学到了「什么是合法的蛋白几何」，把它反过来当去噪器，等于免费获得强大的物理先验。作者从 RoseTTAFold 的 pretrained checkpoint 出发，把它的 3D 结构模块微调成去噪网络。类比：你已有一个训练有素的老木匠，懂各种榫卯（蛋白几何），现在只教他一件新工作——在乱糟糟的半成品里判断「下一凿子该往哪劈」（去噪方向），不用从零培训学徒。

(3) 为什么必须有 self-consistency 闭环（不是可选步骤）？ 核心问题：RFdiffusion 输出的骨架，长得像蛋白骨架，但不保证真的能被某条氨基酸序列折叠出来——它可能是「几何幻觉」，像 AI 图像模型画出的六指人手。

flowchart LR
A["RFdiffusion 产骨架 B"] --> C["ProteinMPNN 产序列 s"]
C --> D["AF2/ESMFold 折叠 s 得 B'"]
D --> E{"B 约等于 B' ?<br/>比较 scTM / scRMSD"}
E -->|"是 自洽"| Pass["候选可信 进硬过滤"]
E -->|"否 自欺"| Fail["丢弃 骨架是几何幻觉"]

self-consistency 闭环

这个闭环重要在三点：一是训练目标 ≠ 验收目标——RFdiffusion 训的是去噪损失，你真正想要的是「骨架可被某条序列稳定折叠」，两者不等价，self-consistency 补上这个 gap；二是独立裁判——AF2 和 RFdiffusion 任务不同、网络不同，AF2 认可的骨架比 RFdiffusion 自己认可的可信得多；三是过滤真实作用——原论文里大量生成骨架的 scTM < 0.5（不自洽），只有过阈值的才值得进湿实验。

(4) 三类经典条件的注入原理。 RFdiffusion 的强大不在「能画蛋白骨架」，而在「能按你指定的条件画」：

Motif scaffolding（部分固定坐标扩散）：给定一个已知功能片段（活性位点等），设计一个能承载它的新骨架。做法是扩散过程中把 motif 残基的 frame「冻结」（不加噪、不去噪，始终等于给定坐标），其余残基照常去噪。这是图像 inpainting 的蛋白版——把部分「像素」固定，让扩散围绕它补全。
Binder design（靶点表面 + hotspot 条件）：给定靶蛋白 T，设计能特异结合它某位点的 binder。靶蛋白骨架作上下文输入（不去噪），用户标注若干 hotspot 残基，扩散只对 binder 部分加噪去噪。经验教训：hotspot 宜少而准（3–5 个）——太多太散则条件矛盾、界面几何差，太粗则相当于无条件。
Symmetric design（对称性约束）：设计寡聚体（同源二/三聚体、纳米笼）。只对一个亚基去噪，通过对称操作复制成多份。对称必须硬约束、不能软鼓励——软 loss 鼓励对称会生成「近似对称但不严格对称」的东西，多亚基装配需要严格对称。

(5) 为什么「结构扩散 + 序列模型 + 折叠预测」这条三段式是共识？ 不是历史偶然，而是任务本身要求「生成 - 翻译 - 验收」三环各司其职：结构扩散在连续几何流形上探索新拓扑（省掉就只能在已知 fold 邻域改序列）；反向折叠把几何翻译成可合成序列（省掉就有骨架没序列，无法合成验证）；折叠自洽做独立裁判（省掉大量几何幻觉会进入湿实验，浪费预算）。

7.4 ProteinMPNN：为什么「反向折叠」必须是非扩散的独立一段

RFdiffusion 只画草图；把草图翻译成可合成的氨基酸序列，是 ProteinMPNN（Dauparas et al., Science 2022）的活。

反向折叠问题：正向折叠是「序列 → 结构」（AF2 干的），反向折叠是「结构 → 序列」——给一个骨架，问哪些序列能稳定折叠成它。这是个独立难题：一个骨架通常有很多条可能序列（蛋白序列-结构关系是「多对一」的），要挑出最有利折叠、表达、不破坏功能的；序列是离散的（20 种氨基酸），结构是连续的。

为什么不用扩散：序列离散有限（20 类），离散扩散虽可行但没明显优势——GNN 消息传递 + 自回归解码在这个任务上更简单、更快、精度更高；训练数据量大（整个 PDB 的序列-结构对）、监督信号明确（真实序列就是 label），监督学习就够；采样一次只需一次前向 + 逐残基解码，比扩散多步采样快几十上百倍。这正是第 7 章「什么时候不该用扩散」的一个具体范例：输出空间离散、监督信号明确、无需探索，就不需要扩散。

关键旋钮：采样温度 $T$ 。每个位置的氨基酸从概率分布里采样，温度小（如 0.1）分布锐化、每条序列质量高但彼此几乎一样（多样性低），温度大（如 1.0）分布拉平、多样性高但个别序列可能不折叠。实践默认 0.1–0.3，先低温看能不能折出来，再拉高温找多样性。因为你在一个骨架上要跑几十条序列送去折叠看谁自洽，温度决定了这批序列的「探索/利用」平衡。

7.5 Self-consistency 与独立裁判：AF2/ESMFold 在守什么

两条常用指标（记牢）：

scTM（self-consistency TM-score）： $B$ 和折回结构 $B'$ 之间的 TM-score，0–1，越高越自洽。scTM ≥ 0.5 是「折叠成同一 fold」的入门线；单体骨架设计常用 ≥ 0.7；binder 常要求 ≥ 0.8（界面几何对亲和力敏感，容错度低）。
scRMSD（self-consistency RMSD）：主链 RMSD，越低越好，binder 常用 ≤ 2 Å。

为什么必须是「独立」裁判：如果用同一个网络既生成又验证，它必然自证成功。RFdiffusion 由 RoseTTAFold 微调而来，若用 RoseTTAFold 自己评价就打折了（同源信息泄漏）；用训练数据、架构、目标都不同的 AF2 做裁判，可信度高得多。实践策略是分级筛：ESMFold（单序列快版，秒级）粗筛所有候选，AF2（金标准，慢）精筛，最后对少量顶尖候选做硬过滤（clash、疏水核、表面性质）送湿实验。

一个隐藏陷阱：「能自洽」≠「能折叠」≠「有功能」。能自洽（scTM 高）只是 AF2 觉得序列能折成骨架，是模型层面的一致；能折叠（湿实验表达可溶）是真实细胞里能表达且不聚集，AF2 说能实际未必能；有功能（binder 真结合）即使折叠正确还要功能面几何对，只有湿实验能验。这三层递进正是第 7 章四层评估框架的蛋白版——过 scTM 只是第一关，湿实验才是真正的下游终点。

7.6 报告约定与反樱桃采摘

蛋白生成论文的「黄金三件套」报告：scTM 分布直方图（不是只报均值）、通过阈值的比例（例：1000 骨架里多少% 过 scTM ≥ 0.5）、每骨架最优序列的 scTM。第 7 章讲的 cherry-picking 陷阱在这里的具体动作：只报「生成了 10 个漂亮骨架」而不报 scTM 分布 = 不可信；只报最好 1 条 = 樱桃采摘；用 AF2 既当骨架来源又当裁判 = 循环自证。应报整个候选池的分布 + 通过率 + 湿实验成功率。

8. 四轨道横向对照

把四条轨道放在一起，你能看清「同一套扩散框架，落到不同数据要换什么」：

维度	蛋白	小分子	单细胞	病理图像
被去噪对象	SE(3) frame	原子类型+坐标	表达向量	像素/潜向量
主干网络	等变网络（IPA 等）	等变 GNN	MLP/Transformer	U-Net/DiT
等变性	SE(3) 强	E(3) 强	无	无
条件注入	模板/cross-attn/硬约束	cross-attn（口袋）	加法（类型/批次）	ControlNet/加法
最硬评估	scTM + 湿实验	对接 + SA + 合成	TSTR + gene-gene	下游分割 + 医生盲评
隐藏杀手	几何幻觉（clash）	不可合成	稀有类被平均	染色/隐私
成熟度	高（RFdiffusion 系）	中高（口袋条件热）	中	高（复用图像）

读表心法：越靠近「有明确物理/化学约束」的轨道（蛋白、小分子），越需要等变网络和硬评估；越靠近「统计分布」的轨道（单细胞），越要盯联合关系和下游任务；病理图像技术上最简单（复用图像扩散），但合规和隐私的坑最深。

把这张表用起来的顺序：拿到一个自己的生物生成任务时，不要先想「用哪个模型」，而是照这张表从左往右过一遍——先定被去噪对象（你的数据是坐标、图、向量还是像素），它直接决定主干网络和是否需要等变；再定条件注入方式（回看第 6 章的三大方式）；最后、也是最关键的，先把「最硬评估」和「隐藏杀手」两列想清楚再动手训练。四条轨道里翻车的项目，绝大多数不是模型选错，而是评估这一列在开工时就没想明白——生成出一堆「看起来对」的东西，却没有任何独立于生成模型的方式判断它们到底能不能用。这也是为什么本系列把整个第 7 章都留给了评估与选型。

换句话说，四条轨道虽然数据形态天差地别，但踩坑的位置惊人地一致：都在「生成容易、验收难」这一点上。记住这句总纲，你就能把本章任何一条轨道的经验迁移到没讲过的新场景（比如空间蛋白质组、代谢物、RNA 二级结构）——先填四要素，再死磕评估。

9. 本章 Checklist

能对四类任务各填出「输入 / 输出 / 条件 / 评估」四要素
能说清蛋白/小分子 3D 扩散为什么需要等变网络
知道单细胞扩散为什么不用 U-Net、评估为什么不能看「像不像」
能默写 RFdiffusion 三段式：扩散产骨架 → MPNN 产序列 → AF2 做裁判
能解释 self-consistency（scTM）是什么、为什么裁判必须独立
记得「能自洽 ≠ 能折叠 ≠ 有功能」三层递进
能说清 motif / binder / symmetric 三类条件的注入原理
明白 ProteinMPNN 为什么是非扩散的（离散、监督明确、无需探索）

10. 自测 4 问

Q1. 有人说「我用 RFdiffusion 生成了一批能结合某靶点的蛋白序列」。这句话哪里错了？

参考要点

RFdiffusion 不生成序列，只生成骨架（frame）。序列是 ProteinMPNN 从骨架反推的，再用 AF2/ESMFold 折回来做 self-consistency 验证。正确说法是「RFdiffusion 生成结合骨架候选，ProteinMPNN 设计序列，AF2 做裁判」。

Q2. 为什么直接在欧拉角上加高斯噪声不是给蛋白骨架加噪的好主意？

参考要点

欧拉角有万向锁（gimbal lock）问题——某些朝向下三个角会退化耦合，加噪的几何意义被破坏。正确做法是直接在 SO(3) 流形（旋转矩阵的切空间）上加噪再指数映射回去，保证旋转扰动的各向同性和等变性。

Q3. 一个蛋白骨架的 self-consistency scTM = 0.8 但结构还有很多 clash，说明什么？

参考要点

说明「能自洽」不等于「物理完美」。scTM 高只说明 AF2 认为这个序列能折成这个 fold（拓扑一致），但局部原子堆积（clash）是另一回事，需要 L4 硬约束（clash rate）单独检查 + 物理精修（Rosetta relax / OpenMM）。这正是「能自洽 ≠ 能折叠 ≠ 有功能」的体现。

Q4. 你想做「口袋条件的配体生成」，为什么必须走 3D 扩散而不能只做 SMILES 扩散？

参考要点

因为口袋是 3D 的，配体要和口袋在空间上咬合——需要知道每个原子在口袋里的 3D 位置，才能算对接、判断几何互补。SMILES 只有拓扑没有构象，无法表达「配体在这个口袋里怎么摆」。而且口袋条件注入要求复合物的 E(3) 等变性，这只有在 3D 表示上才能保证。

11. 与其他章节的关系

第 1 章生成直觉：本章是第 1 章 §6「生物应用地图」四类落点的逐一深化。
第 6 章训练与采样旋钮：本章大量用到第 6 章的条件注入三方式（cross-attn、ControlNet、加法）和 CFG。
第 7 章按数据结构选型：本章每条轨道的评估都对应第 7 章的评估菜单；RFdiffusion 的 self-consistency 是第 7 章四层评估的蛋白版。
ProteinMPNN / RFdiffusion 蛋白质设计：蛋白工具链的实操教程。
隐空间扩散深入：病理图像用的 LDM 原理。

12. 延伸阅读

文献 / 资源	为什么看	阅读深度建议
Watson et al., RFdiffusion, Nature 2023	蛋白骨架扩散设计的奠基工作	精读方法与 self-consistency 设计
Dauparas et al., ProteinMPNN, Science 2022	反向折叠序列设计的标准工具	读方法与温度旋钮
EDM / GeoDiff 等分子扩散工作	3D 等变分子生成的代表	对照 §4 的四要素
scDiffusion 系单细胞扩散	高维稀疏表达生成	对照 §5 的评估差异
计算病理学中的 latent diffusion 综述	病理图像生成与合规	对照 §6 的红线

说明：本章以四轨道落地逻辑与 RFdiffusion 案例为主；具体工具的安装与参数随版本演进，以官方仓库为准。