CalPro：面向蛋白质结构的先验感知信任度-共轫预测
机器学习
2026-01-13 v1 人工智能
摘要
深度蛋白质结构预测器如AlphaFold提供的置信度估计（如pLDDT）常常被低估，随着实验方式、时间变化以及本质无序区域之间的分布迁移而退化。我们引入CalPro，一个先验感知的信任度-共轫框架，用于跨分布迁移的不确定性量化。CalPro结合了(i)几何信任度头部通过图基架构输出正逆伽玛预测分布；(ii)可微共轫层实现有限样本覆盖保证的端到端训练；(iii)编码为软约束的域先验（无序性、柔性）。我们利用PAC-贝叶斯边界中的歧义集推导了结构感知的覆盖保证，并表明CalPro在先验信息丰富的区域保持接近名义覆盖率，同时在常规共轫方法的置信区间上更紧凑。实验表明，CalPro在不同实验方式之间最多仅出现5%的覆盖率退化（而基线为15-25%），将校准误差降低30-50%，并提升下游配体掰接成功率25%。除了蛋白质外，CalPro还适用于编码局部可靠性先验的结构化回归任务，在非生物学基准上验证了其有效性。
引用
@article{arxiv.2601.07201,
title = {CalPro: Prior-Aware Evidential--Conformal Prediction with Structure-Aware Guarantees for Protein Structures},
author = {Ibne Farabi Shihab and Sanjeda Akter and Anuj Sharma},
journal= {arXiv preprint arXiv:2601.07201},
year = {2026}
}