企业官网建设流程全解析

1. 从一条序列到一整个抗体：这个项目到底在解决什么问题

抗体设计这件事，做过的人都知道它有多拧巴。你手里有一条轻链一条重链的氨基酸序列，脑子里想的是它折叠出来能不能精准地抱住那个抗原表位，可实际做起来，序列空间大到离谱，结构约束又极其苛刻。传统路子要么靠免疫动物慢慢筛，要么靠噬菌体展示建大库碰运气，周期长、成本高，而且很多时候你明明知道某个CDR环区需要什么样的构象，却找不到对应的序列。

这个项目标题里的关键词是“Iterative Refinement”和“Sequence-Structure Co-design”，翻译成人话就是：让模型一边改序列，一边看结构，改完再看，看完再改，来回迭代，直到序列和结构互相匹配、互相成就。它不是先设计序列再预测结构那种单向流水线，而是把序列和结构当成一对需要反复协商的搭档，在每一轮迭代中同时更新。

我第一眼看到这个思路的时候，脑子里蹦出来的类比是雕塑。传统方法像是一刀切下去就不管了，而这个迭代精修更像是先粗雕出轮廓，然后拿小凿子一点点修，每修一刀都退后两步看看整体比例对不对，再决定下一刀往哪儿走。对于抗体这种对局部构象极度敏感的分子，这种“边看边改”的策略显然更合理。

这个项目适合谁看？如果你是做计算抗体设计的，不管是学术圈还是工业界，只要你在用深度学习做蛋白设计，这篇东西的架构思路和训练技巧都值得细抠。如果你刚入门结构生物学或者图神经网络，想找一个把两者结合得比较紧的案例，这个项目也是一个很好的切入点。哪怕你只是好奇“AI怎么设计抗体”这件事，看完也能明白整个流程的骨架长什么样。

2. 整体架构拆解：为什么是图神经网络加迭代精修

2.1 抗体作为图结构：节点和边到底代表什么

抗体本质上是一条氨基酸链，但如果你只把它当成一维序列来处理，就丢掉了空间信息。图神经网络的核心思想是把抗体表示成一张图：每个氨基酸残基是一个节点，节点特征包括残基类型、二面角、溶剂可及性等；边则代表残基之间的空间邻近关系或者序列上的邻接关系。

这里有个关键设计决策：边怎么定义。如果只用序列邻接，那就退化成了一维卷积；如果只用空间距离阈值，那在迭代初期结构还不准的时候，图结构会非常嘈杂。我推测这个项目采用的是混合策略——序列上相邻的残基一定有边，空间距离小于某个阈值的残基之间也加边，这样既保留了序列的局部性，又引入了结构的全局约束。

节点特征的维度通常不会太高，几十到一百多维就够了。残基类型用one-hot或者学习到的embedding，二面角用sin/cos编码避免角度跳变，溶剂可及性归一化到0到1之间。这些细节看起来琐碎，但实际训练时，特征工程做得好不好直接决定模型能不能收敛。

2.2 迭代精修的循环机制：每一轮到底在更新什么

这个项目最核心的创新点就是“迭代精修”。具体来说，模型不是一次性输出序列和结构，而是维护一个当前估计，然后每一轮做两件事：第一，根据当前结构更新序列；第二，根据更新后的序列再更新结构。听起来简单，但里面的门道很多。

第一轮的时候，结构可能只是一个粗糙的初始猜测，比如用RoseTTAFold或者AlphaFold预测出来的骨架。序列也是初始的种系序列。然后模型开始迭代：序列更新模块会看当前结构，判断哪些位置需要突变来更好地稳定结构或者结合抗原；结构更新模块会看新序列，重新预测骨架和侧链构象。这个过程重复若干轮，直到序列和结构的变化量小于某个阈值。

为什么要迭代而不是一步到位？因为序列和结构之间的关系是高度非线性的。你改一个残基，可能影响局部构象，局部构象变了又可能影响远端残基的相互作用。一步到位的模型很难捕捉这种长程耦合，而迭代精修相当于给了模型多次“思考”的机会，每次只做小幅调整，逐步逼近一个自洽的解。

2.3 为什么不用扩散模型或者自回归模型

现在做蛋白设计，扩散模型很火，自回归模型也很常见。但这个项目选了图神经网络加迭代精修，背后有它的道理。扩散模型生成质量高，但采样速度慢，而且对于抗体这种需要精确控制CDR长度的场景，扩散模型的随机性有时候反而是个麻烦。自回归模型按顺序生成残基，天然适合序列生成，但它很难同时保证结构的合理性，因为结构约束是全局的，而自回归是局部的。

图神经网络的优势在于它天然处理关系数据，抗体里的残基相互作用本来就是一张图。迭代精修则解决了图神经网络一次性预测不准的问题。两者结合，既保留了图结构对空间关系的建模能力，又通过迭代弥补了单次预测的不足。这个选型思路我觉得很务实，不是追热点，而是看问题本身需要什么。

3. 核心模块细节：序列更新和结构更新到底怎么实现

3.1 序列更新模块：从结构到序列的逆向推理

序列更新模块的任务是：给定当前的结构估计，输出每个位置应该是什么氨基酸。这本质上是一个图上的节点分类问题。输入是结构图的节点特征和边特征，输出是每个节点属于20种氨基酸的概率分布。

网络结构通常是几层图卷积或者图注意力层，加上残差连接和层归一化。图注意力在这里特别有用，因为抗体不同区域的重要性差异很大。CDR区域尤其是CDR-H3，对结合特异性影响最大，模型应该学会把注意力集中在这些区域。而框架区相对保守，注意力可以分散一些。

训练序列更新模块的时候，损失函数通常是交叉熵，但直接优化交叉熵有个问题：模型可能会过度自信地预测某个残基，而忽略了序列的多样性。实际做抗体设计时，你往往希望模型给出多个候选序列，而不是一个确定性的答案。所以有些实现会加入温度采样或者top-k采样，在推理阶段增加多样性。

还有一个细节是掩码策略。训练时不能把所有残基都暴露给模型，否则模型会学会抄答案。通常的做法是随机掩码一部分残基，让模型根据上下文预测被掩码的位置。掩码比例一般控制在15%到30%之间，太低学不到东西，太高上下文信息不足。

3.2 结构更新模块：从序列到结构的正向预测

结构更新模块的任务是：给定当前序列，预测每个残基的三维坐标。这个模块比序列更新更难，因为三维坐标是连续值，而且需要满足物理约束，比如键长键角不能太离谱，残基之间不能有原子碰撞。

常见的做法是把结构预测拆成两步：先预测主链的二面角，再根据二面角重建主链坐标；侧链构象则用旋转异构体库来离散化预测。二面角预测用回归损失，通常是预测sin和cos值，避免角度周期性带来的不连续问题。侧链预测用分类损失，每个残基的侧链构象从几十个常见旋转异构体里选一个。

结构更新模块的网络结构通常比序列更新模块更深，因为结构预测需要更大的感受野。除了图卷积层，可能还会加入一些全局注意力层，让模型能够捕捉远端残基之间的相互作用。等变图神经网络在这里特别合适，因为抗体结构在旋转和平移下应该保持不变性，等变网络天然满足这个性质。

训练结构更新模块时，损失函数通常是预测坐标和真实坐标之间的均方误差，再加上一些物理约束的惩罚项。比如键长偏离理想值的惩罚，原子碰撞的惩罚。这些惩罚项的权重需要仔细调，权重太大模型会变得保守，权重太小物理上不合理。

3.3 迭代精修的调度策略：什么时候停，怎么停

迭代精修不是无限循环，需要有一个停止条件。最简单的做法是固定迭代轮数，比如5轮或者10轮。但固定轮数有个问题：有些样本可能3轮就收敛了，有些可能需要15轮。固定轮数要么浪费计算资源，要么欠拟合。

更聪明的做法是监控序列和结构的变化量。每一轮迭代后，计算当前序列和上一轮序列的差异，以及当前结构和上一轮结构的RMSD。如果两个变化量都小于某个阈值，就提前停止。这个阈值需要根据任务来调，太大会导致欠拟合，太小会导致计算浪费。

还有一个策略是课程学习：初期迭代时允许较大的变化，后期逐渐收紧。这可以通过调整学习率或者调整损失函数中的正则项来实现。初期让模型大胆探索，后期让模型精细调整。这个思路和人类设计师的工作方式很像，先定大框架，再抠细节。

4. 实操流程：从零开始跑通一个抗体设计任务

4.1 数据准备：抗体结构数据的获取和清洗

做抗体设计，数据是第一步。公开的抗体结构数据库里，最常用的是SAbDab和PDB。SAbDab专门收集抗体结构，标注了CDR区域和种系基因，用起来比较方便。PDB更全，但需要自己写脚本筛选抗体结构。

下载完数据后，清洗是关键。首先要去除分辨率低的结构，通常只保留2.5埃以内的。然后要去除缺失残基太多的结构，尤其是CDR区域有缺失的，直接扔掉。还要去除重复结构，同一个抗体可能有多个晶体结构，保留一个质量最好的就行。

清洗完之后，需要做序列比对和编号。抗体有专门的编号方案，比如Kabat、Chothia、IMGT。不同编号方案对CDR的界定略有差异，做设计时通常用IMGT或者Kabat。编号之后，每个残基都有一个唯一的位置标识，方便后续处理。

数据集的划分也很重要。不能随机划分，因为同一个抗体的不同突变体如果分到训练集和测试集，会导致数据泄漏。正确的做法是按抗体克隆划分，同一个克隆的所有结构要么都在训练集，要么都在测试集。更严格的做法是按种系基因划分，确保测试集的种系基因在训练集中没出现过。

4.2 模型训练：损失函数设计和超参数调优

训练这个模型，损失函数是序列损失和结构损失的加权和。序列损失用交叉熵，结构损失用坐标MSE加上物理约束惩罚。两个损失的权重需要调，通常结构损失的权重要大一些，因为结构预测更难。

优化器用Adam，学习率从1e-4开始，配合余弦退火或者ReduceLROnPlateau。批量大小受限于GPU显存，抗体结构通常几百个残基，批量大小32或者64比较常见。训练轮数一般几百轮，早停策略根据验证集损失来定。

超参数调优的重点是迭代轮数、图卷积层数、隐藏层维度。迭代轮数太少模型学不到东西，太多容易过拟合。图卷积层数决定了感受野，抗体这种中等大小的蛋白，4到6层通常够了。隐藏层维度128到256之间比较常见，太小表达能力不足，太大容易过拟合。

训练过程中要监控序列恢复率和结构RMSD。序列恢复率是预测序列和真实序列一致的比例，结构RMSD是预测结构和真实结构的偏差。这两个指标要同时看，不能只看一个。有时候序列恢复率高但结构RMSD也高，说明模型记住了序列但没学到结构。

4.3 推理阶段：如何生成多个候选抗体序列

训练完之后，推理阶段的目标是生成多个候选序列，而不是一个确定性的输出。做法是在序列更新模块的输出上做采样，用温度参数控制多样性。温度高，采样结果多样但可能不合理；温度低，采样结果保守但可能缺乏新意。

通常的做法是生成几百到几千个候选序列，然后用结构更新模块预测每个候选的结构，再用一些打分函数筛选。打分函数包括结构合理性打分、结合亲和力预测打分、免疫原性预测打分等。筛选出排名靠前的几十个候选，再做进一步分析。

推理时还有一个技巧是约束采样。如果你知道某些残基必须保守，比如二硫键的半胱氨酸，可以在采样时强制这些位置输出特定氨基酸。如果你知道CDR-H3的长度范围，可以在采样时限制这个区域的长度。这些约束可以显著提高候选序列的可用性。

5. 常见问题与排查技巧实录

5.1 模型不收敛或者损失震荡怎么办

这是训练图神经网络最常见的问题。首先检查数据预处理，看看有没有异常值或者标签错误。抗体结构数据里经常有缺失原子或者非标准残基，这些如果不处理，会导致损失计算错误。

然后检查学习率。学习率太大，损失会震荡；学习率太小，收敛太慢。可以画学习率扫描曲线，找一个使损失下降最快的值。另外，梯度裁剪也很重要，图神经网络容易出现梯度爆炸，裁剪阈值通常设在1.0到5.0之间。

如果数据和超参数都没问题，那可能是模型架构的问题。图卷积层数太多会导致过平滑，所有节点的表示变得相似。可以加入残差连接或者跳跃连接来缓解。另外，层归一化和dropout也有帮助，但dropout率不能太高，否则欠拟合。

5.2 生成的序列多样性不足怎么办

多样性不足通常是因为采样温度太低，或者模型过拟合了训练集。提高采样温度可以增加多样性，但温度太高会导致序列不合理。一个折中的做法是用核采样，只从累积概率前k个氨基酸里采样，既保证多样性又保证合理性。

另一个原因是训练数据多样性不够。如果训练集里只有几种抗体家族，模型学到的序列空间就很窄。解决办法是扩充训练数据，或者用数据增强，比如随机旋转平移结构、随机掩码残基。

还有一个技巧是在损失函数里加入多样性正则项，鼓励模型输出不同的序列。这个正则项可以是序列之间的熵，或者序列之间的汉明距离。加入正则项后，模型会在准确性和多样性之间做一个权衡。

5.3 结构预测的物理合理性怎么保证

结构预测模块有时候会输出物理上不合理的结构，比如键长太长、原子重叠。这通常是因为物理约束的惩罚项权重不够。可以加大键长和键角的惩罚权重，或者加入更复杂的物理势能项。

另一个做法是在结构更新后做一次能量最小化，用分子力学力场把结构松弛一下。这个步骤可以显著改善结构的物理合理性，但会增加计算时间。如果对速度要求不高，这个步骤很值得加。

还有一点是侧链构象的合理性。侧链预测用的是旋转异构体库，但有时候模型会选一个概率很低但看起来合理的构象。可以在推理时限制只能选概率排名前几的旋转异构体，保证侧链构象在统计上是合理的。

5.4 常见问题速查表

6. 这个项目的延展空间和实际应用场景

6.1 从抗体到其他蛋白：框架的通用性

虽然这个项目是针对抗体设计的，但它的框架其实可以迁移到其他蛋白设计任务。比如纳米抗体、T细胞受体、甚至酶的设计。核心思想是一样的：序列和结构需要协同设计，迭代精修可以逐步逼近自洽解。

迁移的时候需要注意几点。不同蛋白的序列长度差异很大，图神经网络的感受野需要调整。不同蛋白的保守区域不同，掩码策略需要重新设计。不同蛋白的功能约束不同，损失函数需要加入相应的惩罚项。但整体架构不用大改，这体现了这个项目设计的通用性。

6.2 和实验验证的衔接：从计算到湿实验

计算设计出来的抗体，最终要拿到湿实验里验证。这个衔接环节很关键，也很容易出问题。计算模型给出的候选序列，需要先做小规模表达纯化，看能不能折叠、稳不稳定。然后做结合实验，比如ELISA或者SPR，看能不能结合抗原。最后做功能实验，比如中和实验或者细胞实验。

从计算到实验，最大的挑战是计算模型的预测和实验结果之间的差距。模型说结合亲和力高，实验可能测出来不结合。这个差距可能来自模型本身的误差，也可能来自实验条件的差异。解决办法是迭代反馈：把实验结果反馈给模型，让模型学习实验数据，逐步缩小差距。

6.3 计算资源的实际需求

跑这个项目需要什么样的硬件？训练阶段，如果抗体结构在几百个残基，批量大小32，图卷积层数6层，隐藏层维度256，大概需要一张24GB显存的GPU。如果显存不够，可以减小批量或者用梯度累积。推理阶段需求小一些，一张16GB的GPU就够了。

训练时间取决于数据量和迭代轮数。如果训练集有几千个抗体结构，训练几百轮，大概需要几天时间。如果数据量更大，可能需要一周以上。推理阶段生成几千个候选序列，每个序列迭代5到10轮，大概需要几个小时。

如果计算资源有限，可以考虑用预训练模型做微调，而不是从头训练。预训练模型可以在大规模蛋白结构数据上训练，然后在小规模抗体数据上微调。这样可以显著减少训练时间和数据需求。

6.4 我个人在实际操作中的几点体会

第一，数据质量比数据数量重要。我试过用几万个低质量结构训练，效果还不如几千个高质量结构。抗体结构尤其如此，CDR区域的构象对结合影响最大，如果这部分数据质量差，模型学到的就是错的。

第二，迭代精修的轮数不是越多越好。我试过10轮、20轮、甚至50轮，发现5到10轮通常就够了。再多轮数，变化量已经很小，但计算时间线性增加。实际用的时候，监控变化量提前停止比固定轮数更划算。

第三，序列和结构的联合优化比单独优化难很多。训练的时候经常出现一个模块好了一个模块差了，需要仔细调损失权重。我的经验是先用序列数据预训练序列模块，再用结构数据预训练结构模块，最后联合微调。这样比从头联合训练稳定得多。

第四，推理阶段的筛选策略很关键。生成几千个候选，如果没有好的筛选策略，等于白生成。我通常用结构合理性、结合亲和力预测、免疫原性预测三个维度打分，然后取交集。这样筛出来的候选，实验验证的成功率会高很多。

这个方向还在快速演进，新的架构和训练技巧层出不穷。但核心思路——序列和结构协同设计、迭代精修——我觉得会一直有效。毕竟抗体设计这件事，本质上就是在序列空间和结构空间之间找一个自洽的解，而迭代精修是找这个解的最自然的方式。