Chamaileon：基于上下文建模与混合采样的跨上下文结合蛋白设计 Chamaileon: Cross-Context Binder Design with Contextualized Modeling and Mixed Sampling
让单条蛋白序列同时适配同一靶点的多种构象或多个不同靶点。
前置知识
结合蛋白设计（Binder Design）
给定一个靶点蛋白的三维结构，从头设计一条全新的蛋白序列，使其能够高亲和力、高特异性地结合到靶点的某个界面上。主流方法如 RFdiffusion、AlphaProteo、BindCraft 通常把靶点结构当条件，用扩散/流匹配模型联合生成结合蛋白的序列和主链结构。
本文要解决的核心任务就是结合蛋白设计，但扩展到多上下文场景；不理解单状态单靶点设计，就无法理解它突破了什么。
多状态与多靶点设计（MS / MT）
多状态（Multi-State, MS）指同一条结合蛋白要绑定同一靶点蛋白在不同功能态下的多个构象；多靶点（Multi-Target, MT）指同一条序列要结合序列/结构不同的多个靶点。两者本质都是“一条序列同时满足多个结合约束”，因此可统一为“跨上下文”问题。
本文把 MS 和 MT 统一成“Cross-Context Binder Design”是全文的核心抽象，理解这个统一视角才能理解 I3CD 和 MoPS 为何能同时处理两类任务。
离散流模型（Discrete Flow Models, DFM）
把连续空间的 flow matching 推广到离散状态空间，用连续时间马尔可夫链（CTMC）的速率矩阵 $R_t$ 描述概率流演化。蛋白序列（20 种氨基酸）通过掩码插值 $p_{t|1}(x_t|x_1)=\mathrm{Cat}(t\delta_{x_t,x_1}+(1-t)\delta_{x_t,M})$ 从掩码状态逐步解码到真实氨基酸。
I3CD 的序列通道就是用 DFM 建模的，理解 $R_t^\theta(x_t,j)=\mathbb{E}_{p_\theta^{1|t}}[R_t(x_t,j|x_1)]$ 和交叉熵训练目标才能看懂训练损失和采样更新。
多模态流匹配（Multimodal Flow Matching）
一个蛋白残基包含 Cα 平移 $x_d\in\mathbb{R}^3$（欧氏空间）、旋转矩阵 $r_d\in SO(3)$（黎曼流形）和氨基酸类型 $a_d$（离散空间）。多模态流匹配用各自合适的几何在不同流形上做去噪，并通过独立的时间调度 $t$ 和 $\tilde{t}$ 耦合序列与结构。
I3CD 的关键创新——序列和结构用解耦的噪声调度——就建立在这个多模态框架上，是支持跨上下文设计的基础。
AlphaFold-Multimer 评估指标（ipAE / pLDDT / scRMSD）
ipAE（interface predicted Aligned Error）衡量链间界面预测的对齐误差；binder pLDDT 是结合蛋白每残基的置信度；binder scRMSD 是把设计的序列重新折叠后与设计结构比较的自洽 RMSD。论文判定成功的标准是 ipAE ≤ 10 Å、pLDDT ≥ 70、scRMSD ≤ 5 Å。
所有实验结果（Table 1、2、5、6）都以这三个指标为核心，beam search 的打分函数 $S(i)$ 也由它们构成，不理解指标就读不懂结果。
In-context 生成与正向折叠
In-context 生成源于计算机视觉：把干净参考信号和噪声生成目标拼接，靠 self-attention 隐式捕捉条件依赖。正向折叠（forward folding）指给定序列预测其结构，是逆向折叠（inverse folding）的逆问题。本文用正向折叠作为“桥梁”，让同一序列在不同构象轨迹间传递。
I3CD 借鉴 in-context 思想做靶点-结合蛋白联合建模，MoPS 用正向折叠把序列信息从一个构象复制到另一个构象，这是 MoPS 能在缺数据下工作的关键。
研究动机
现有从头结合蛋白设计方法（RFdiffusion、AlphaProteo、BindCraft、BoltzDesign1 等）几乎都把任务当作“一对一”问题：针对单个靶点结构、单个结合目标进行优化。这一假设虽然便于基准测试，却与生物学和治疗学中的功能导向需求严重脱节。一方面，许多蛋白质通过在多个构象状态间切换来发挥功能（如信号传导中的别构调控），针对单一快照优化的结合蛋白在靶点重塑表位时可能丧失亲和力——这种多状态（MS）结合蛋白设计要求同时兼容大尺度全局重排的状态依赖界面几何。另一方面，临床疗效常需多靶点协同调控（如双特异性抗体 mosunetuzumab、bimekizumab），希望一条序列满足“结合 A 和 B 但不结合 C”的选择性模式——这是多靶点（MT）设计。然而现有流水线要么逐靶点优化、要么朴素联合优化导致非特异性、要么顺序优化过度拟合某一条件而失败。即使最新的多状态方法（ProteinGenerator、DynamicMPNN、ProDiT、Conformational Biasing）也只关注内在骨架异质性，无法生成能外部调控靶点能量景观的调节型结合蛋白。
本文的目标是本文的目标是构建一个统一的“跨上下文结合蛋白设计”框架。作者把“上下文”定义为任何需要结合的蛋白界面，无论来自同一蛋白的不同构象态（MS）还是不同靶点（MT）。理想中的跨上下文结合蛋白应能结合指定界面、回避其他界面，因此结合蛋白设计本质成为“多对一映射”问题——成功与否由跨上下文集合的综合满足度决定，而非单一界面上的峰值表现。围绕这一目标，论文提出三件事：（1）训练范式 I3CD（In-Context Complex Co-Design），解耦序列与结构的噪声调度以在多构象间维持序列一致性；（2）推理策略 MoPS（Mixture-of-Paths Sampling），在缺数据下迭代优化单条序列使其横跨多个结构上下文；（3）新建基准 CROSS，专门评估多状态和多靶点结合蛋白设计。
与已有工作不同的是，本文的独特切入点在于发现 MS 与 MT 共享同一计算结构——一条序列须在显式权衡下满足多个结合约束——从而提出“跨上下文”这一统一抽象，而以往工作都是把它们割裂对待。这一抽象暴露了现有架构的三处根本缺陷：（i）缺乏解耦的序列-结构噪声调度，无法在多构象联合建模时保持序列一致；（ii）缺乏推理时优化以平衡相互冲突的结构约束；（iii）缺乏跨上下文集合的综合评估。作者进一步借鉴计算机视觉中的 in-context 生成（干净条件 + 噪声目标拼接 + self-attention）并将其推广到多模态蛋白数据，又把正向折叠当作跨构象传递序列信息的“桥梁”，从而绕开多构象配对数据极度稀缺的瓶颈——PDB 中只有约 11,800 个 NMR 系综，仅覆盖 21% 的 CATH 超家族。
核心方法
Chamaileon 整体思路是“先让模型学会条件化地联合去噪靶点-结合蛋白复合物，再在推理时用单条序列把多个上下文的能量约束缝合起来”。技术分三层。第一层是训练范式 I3CD：受视觉 in-context 生成启发，把干净靶点信号与加噪结合蛋白信号在平移、旋转、氨基酸三类模态上拼接喂入图神经网络，靠 self-attention 隐式学习靶点-结合蛋白联合依赖；关键在于用两套独立时间调度 $t$、$\tilde{t}$ 分别腐蚀结合蛋白的序列和结构，让模型在任意噪声强度组合下都能捕捉二者耦合，为跨上下文设计铺路。第二层是推理策略 MoPS：把生成轨迹沿时间离散成 $N$ 段，初始化两个共享序列但结构不同的构象；第一段对构象 0 做联合序列-结构去噪，提取更新后的序列作为条件，对构象 1 做“序列条件生成（正向折叠）”同步推进；下一段交换角色，交替进行到终点，单条序列被反复在两套结构约束间迭代优化。第三层是 beam search：在每个区间边界用复合打分 $S(i)$ 评估 $L$ 条平行轨迹并保留最优者。整套方法用 CROSS 基准评测，形成训练-采样-评估闭环。
最核心的创新是把“正向折叠当作跨构象桥梁”与“解耦噪声调度”结合起来，从而在不引入端到端多状态模型的情况下完成跨上下文设计。直观地说：MoPS 并非训练一个吃 $K$ 个靶点输出 $K$ 个构象的大模型（这条路被数据稀缺和架构刚性卡死），而是只用单状态 I3CD 模型，靠推理时的“角色轮换”让序列在多条结构轨迹间往返穿梭——每段由一条构象负责联合更新序列和自身结构，另一条则通过正向折叠把新序列翻译成自己的坐标。这与 ProteinGenerator 的“对并行轨迹 logit 取平均”、DynamicMPNN 的“学多骨架条件分布”、ProDiT 的“耦合结构扩散”有本质区别：那些方法只建模内在骨架异质性，而 MoPS 是在主动操纵靶点的能量景观。其次，为给结构采样注入 beam search 所需的随机性，作者基于 Fokker-Planck 方程把确定性 ODE 流匹配改写成 SDE，引入噪声项 $\sigma_t$ 并修正漂移项，使翻译模态采样变成 Euler-Maruyama 随机过程。
方法步骤详情
训练（I3CD）：取干净靶点 $T_{1,1}$ 与结合蛋白 $B_{1,1}$；对结合蛋白序列、结构分别按 $\tilde{t}$、$t$ 加噪得 $B_{t,\tilde{t}}$，靶点保持干净；二者在三类模态上拼接，加热点掩码 $M_H$ 与时间嵌入，预测 $\hat{B}_{1,1}$；用混合离散-连续流匹配损失（式 6）优化，含翻译 MSE、旋转对数似然与氨基酸交叉熵。推理（MoPS）：时间轴离散为 $t_{\tau_0}{=}0<\cdots<t_{\tau_N}{=}1$，初始化两构象共享序列 $a^0{=}a^1$ 但结构不同。第一区间构象 0 走 I3CD 联合去噪（式 7）更新 $x^0,r^0,a^0$；提取新序列作条件对构象 1 做正向折叠（式 8）。下一区间交换角色迭代至终点。Beam search：每段从最优种子并行采 $L$ 条，按 $S(i)$（ipAE、pLDDT、scRMSD 归一化加权）选最优作下段种子；平移模态经 ODE→SDE 化注入 $\sigma_t$ 噪声提供随机性。流程可循环扩展到任意 $K$ 个构象且零额外开销。
技术新颖性
技术新颖性体现在五点。其一，首次提出“跨上下文结合蛋白设计”的统一抽象，把 MS 与 MT 归约为同一种“多对一”映射。其二，I3CD 把视觉领域的 in-context 生成范式首次搬到多模态蛋白数据上，靶点作为条件、结合蛋白作为目标，靠 self-attention 隐式建模依赖。其三，解耦的噪声调度 $t$、$\tilde{t}$ 让序列与结构在不同噪声下协同训练，这是维持跨构象序列一致性的关键。其四，MoPS 用正向折叠做跨构象桥梁，完全绕开多状态配对数据稀缺问题——不需要训多状态模型，单状态 I3CD 即可推理时完成跨上下文设计；并通过 ODE→SDE 的 Fokker-Planck 推导（式 37）为连续模态注入 beam search 所需随机性。其五，框架天然支持“主动负设计”——只需在打分函数中翻转非期望靶点上的得分并在 MoPS 中只交替期望靶点，无需改架构即能排斥非期望构象（Table 6 验证）。此外算法可循环扩展到任意 $K$ 个构象（附录 B、Figure 7），保持 $K$ 条完整轨迹、零额外开销。
实验结果
在 CROSS（100 条）上，完整 Chamaileon 两构象分别取得 ipAE 4.32/4.23、pLDDT 90.6/88.7、scRMSD 1.96/2.07，独特成功 8/10，双构象同时成功（Both Success）7 例。“无 MoPS”基线两构象独特成功严重失衡（17 vs 2）、双成功仅 2；“无 beam search”双成功降到 5。超参上，beam 候选数 $L$ 是主要驱动力（1→4 双成功 5→7），MoPS 频率越小双成功越高（freq=100 的 1 到 freq=10 的 7）。与基线对比（Table 2）：RFDiffusion+ProteinMPNN 与 BindCraft 双成功均 0，Chamaileon 达 7，BindCraft ipAE 高达 19.1/18.2。单状态任务：I3CD 独特成功 0.7、新颖性 0.546，对比 APM 的 1.2、0.615，归因于模型规模差 9 倍（21.8M vs 199.6M）。结构分析揭示微调、双面、大切换三种适配模式；主动负设计（Table 6）证明可绑定两上下文并排斥第三上下文。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 跨上下文结合蛋白设计（双构象同时成功数） | Both Success（在两构象上同时通过 ipAE≤10/pLDDT≥70/scRMSD≤5Å 的独特聚类数） | 7（完整 Chamaileon） | 0（RFDiffusion+ProteinMPNN） / 0（BindCraft 交替优化） / 2（无 MoPS） / 5（无 beam search） | 在没有任何现成跨上下文方法可比的情况下，相对最强构造基线从 0 提升到 7，证明跨上下文设计可行 |
| 跨上下文界面质量（构象 0 / 构象 1） | ipAE（越低越好） | 4.32 / 4.23 | Baseline1: 4.85 / 4.73；Baseline2: 19.1 / 18.2；无 MoPS: 6.26 / 6.27 | 相对 BindCraft 风格基线（18-19）降低约 4 倍；相对自身无 MoPS 也明显改善 |
| 跨上下文结合蛋白结构自洽性 | binder pLDDT / scRMSD（Å） | 90.6/1.96 与 88.7/2.07 | Baseline2: 67.7/1.37 与 68.1/3.20（pLDDT 远低于阈值） | pLDDT 显著高于基线，scRMSD 同时保持在 2Å 左右，兼顾置信度与自洽性 |
| 单状态结合蛋白设计（新颖性） | TM-Score novelty（越低越新颖） | 0.546（I3CD，21.8M 参数） | 0.615（APM，199.6M 参数） | 在模型小 9 倍的情况下，设计新颖性反而更优 |
| 主动负设计 | 非期望上下文 ipAE（越高越好，表示不结合） | 24.0（2-act.&1-neg. 模式） | 22.2（2-context 正向设计，未做负设计） | 通过对非期望靶点取负分，使其结合被有效排斥，无需修改架构 |
局限与改进
作者坦承的局限主要有三：其一，基础模型规模偏小（21.8M 参数，远小于 APM 的 199.6M），导致单状态任务成功率落后于 SOTA（独特成功 0.7 vs 1.2）；其二，多靶点（MT）设计本质上极难，在 7 例双成功中只有 1 例是真正意义的多靶点（两靶点仅 94% 序列一致性，ipAE 3.32/3.16），占 14.3%，与 CROSS 中 15% 的 MT 比例吻合，说明 MT 仍主要是“概念验证”；其三，评测依赖 AlphaFold2-Multimer，其本身在多靶点结合保真度评估上的能力有限。我额外观察到几点：CROSS 仅 100 条且通过严格质量筛选，规模偏小，统计显著性有限；以 95% 序列相似度界定“多靶点”可能掩盖了真正的跨靶点难度；全部为 in silico 评估，无湿实验验证；MoPS 频率为 50 时双成功骤降到 1（Table 1），方法对超参较敏感；SDE 注入的噪声虽服务于 beam search，但可能在高置信区域引入不必要扰动。
独立分析的弱点
弱点一：基础模型容量不足。21.8M 参数导致单状态任务被 APM 反超，建议沿 Proteina、Boltz 等方向做参数和数据的协同扩展，或用预训练蛋白语言模型/结构预测模型初始化。弱点二：真正 MT 设计能力薄弱。7 例双成功仅 1 例 MT，建议专门构建更大规模、靶点序列差异更大的 MT 数据集，并在 MoPS 中引入更精细的靶点对齐先验。弱点三：评测过度依赖 AF2-Multimer。AF2 自身对多构象/多靶点保真度有限，建议引入 Chai-1、Boltz-2 等独立预测器做交叉验证，并补充 MD 模拟和湿实验结合 assay。弱点四：CROSS 规模小且质量筛选严格，统计稳健性不足，建议扩展到全 1,867 候选并报告置信区间。弱点五：方法对 MoPS 频率敏感（freq=50 双成功仅 1，freq=10/20 才到 7），缺乏自适应频率调度机制，建议根据构象 RMSD 差异动态调整切换频率。弱点六：SDE 噪声尺度 $\sigma_t$ 的选择缺乏系统消融，可能在不同任务上需要不同设定。
未来方向
作者明确指出三个延伸方向：（1）从离散状态推广到连续构象景观，处理靶点的连续动力学而非少数快照；（2）整合更精细的生物物理先验以增强界面互补性；（3）把跨上下文建模推向“可编程”的调节效应与多特异性治疗，覆盖别构调控、广谱中和、构象系综操控等场景。基于本文成果我认为还可延伸：把 I3CD 与 AlphaProteo/Boltz 级别的大模型结合做 scale-up；用 RLHF/Flow-GRPO 思路把 AF2 评分直接做成可微奖励，端到端优化 beam search 打分；把 MoPS 的循环机制用于设计三态以上的逻辑门结合蛋白（如“结合 A、B 不结合 C、D”）；探索主动负设计与肿瘤逃逸靶点排斥的结合；将框架迁移到抗体 CDR 设计、酶-底物多状态结合等其他多上下文场景。
复现评估
复现友好度较高。代码已开源在 https://github.com/caohengyuan/Chamaileon。训练数据来自公开 PDB，过滤规则明确（分辨率 ≤5Å、链长 ≥16、总长 ≤512、最近残基对 <8Å、ipAE ≤10Å、pLDDT ≥80、ipTM ≥0.5），最终 60,692 对；CROSS 基准基于公开 CoDNaS 簇构建，从 1,867 候选筛到 100 条的过程与复合打分都给出。训练配置详尽：8×A100 80GB、AdamW、动态 batch、88 epochs。关键超参在 Table 1、Table 7 系统消融（默认 $\omega_{ipae}=0.5,\omega_{plddt}=0.3,\omega_{rmsd}=0.2$，$L=4$，MoPS freq=10）。算法 1 给出 MoPS+beam search 伪代码，附录 A/C 给出 DFM 与 ODE→SDE 完整推导。主要门槛在于：需 8 张 A100 级算力；AF2-Multimer 评估耗时；模型仅 21.8M 参数，复现者需自行决定是否放大规模，否则单状态性能难追 SOTA。
论文图表
左图展示多状态（MS）设计：同一靶点的非活性态与活性态两个构象，需要一条结合蛋白在靶点功能切换、表位重塑后仍维持界面兼容；右图展示多靶点（MT）设计：同一条序列需高亲和力结合不同蛋白上的相似表位。
这张图直接定义了全文的核心问题抽象——把 MS 和 MT 统一为‘跨上下文’，是理解所有后续方法的入口。