基于嵌入优化的蛋白质扩散模型鲁棒推理时引导
机器学习
2026-05-15 v2
摘要
结构生物学的一个核心挑战是生成既符合物理学规律又与实验测量相符的生物分子构象。虽然序列到结构扩散模型提供了强大的先验，但后验采样方法通过对原子坐标施加来自实验似然的梯度来引导生成过程。然而，当目标位于先验的低密度区域时，这些方法需要激进地提高似然权重，以致于 destabilize 采样，并对超参数敏感。我们提出 EmbedOpt，一种推理时引导框架，引入正交优化轴：而不是在固定先验下进行后验采样，EmbedOpt 直接优化先验，通过更新模型的条件嵌入来实现。这一嵌入空间编码了丰富的共演化信号，因此优化它可将结构先验对齐到实验约束中。经验上，EmbedOpt 在稀疏距离约束上匹配坐标基于后验采样的基准方法，并在冷冻电子显微镜图谱拟合中超越它们，包括真实且噪声较大的实验图谱。此外，EmbedOpt 的平滑优化行为使其对超参数范围跨越两个数量级都具有鲁棒性，并能通过更少的扩散步骤实现相当的性能。代码已在 https://github.com/rs-station/embedopt 提供。
引用
@article{arxiv.2602.05285,
title = {Robust Inference-Time Steering of Protein Diffusion Models via Embedding Optimization},
author = {Minhuan Li and Jiequn Han and Pilar Cossio and Luhuan Wu},
journal= {arXiv preprint arXiv:2602.05285},
year = {2026}
}