用奖励引导推理时搜索设计蛋白质
来自 NVIDIA Developer · 期号 2026-10-21
摘要
蛋白质设计本质上是搜索问题：100 个残基的序列，组合数超过宇宙原子总数。 NVIDIA 与华盛顿大学蛋白质设计研究所联合开源的 RFD4-Proteina，用从自然界学到的模式来导航这个空间。它同时设计蛋白质序列和全原子结构，并用奖励引导的推理时搜索把算力集中在最有希望的候选上。 相比前代 RFD3，RFD4-Proteina 在残基级别而非原子级别做隐式表征，避免了内存爆炸；扩散过程从约 400 步压缩到 60 步。在 200 残基的基准测试中，生成速度快 3.8 倍，峰值内存减少 84%。 模型接受带注释的 CIF 文件或条件规格说明。教程以 PD-L1 结合体设计为例，展示了如何定义热点残基、生成候选并利用 OpenFold3 等 CUDA 加速的评分函数进行推理时搜索。 模型以开源权重和 NIM 微服务两种形式提供。BioIR 后端在 H100 PCIe 上比默认编译后端快 1.37–1.73 倍。 本文是完整的使用教程，附有开源代码和部署命令。