Проблема: точность против физики
Модели кофолдинга, такие как AlphaFold 3, демонстрируют выдающуюся структурную точность, но значительная часть их выходов физически невозможна. Цепи перекрываются на границах, длины связей лигандов искажены, кольца теряют планарность, а стереоцентры инвертируются. Традиционные методы исправления либо требуют дорогостоящих вычислений с физическими потенциалами (что делает невозможным анализ крупных комплексов), либо necessitate переобучение модели, привязывая решение к конкретной архитектуре.
Решение: проекция на этапе инференса
Авторы (Qurat-ul-ain, Yee Whye Teh, Charlotte M. Deane, Matteo Cagiada) предлагают подход, не требующий изменений в весах нейросети. Они рассматривают физическую валидность как задачу с ограничениями и вводят два оператора замкнутой формы, применяемые к очищенным координатам $\hat{x}_0$:
- Van der Waals Projection: раздвигает наиболее сильно сталкивающиеся пары атомов между цепями.
- Ligand Distance-Geometry Projection: восстанавливает длины связей, углы, планарность и хиральность лигандов.
Ключевое преимущество: операторы локальны, разрежены и не требуют вычислений градиентов или дополнительных вызовов сети. Это позволяет внедрить их в любой сэмплер типа AF3 без переобучения.
Результаты на бенчмарках
Метод протестирован на моделях Boltz-2 и OpenFold-3. Результаты показывают, что физическая валидность восстанавливается до идеального уровня без потери структурной точности. Сравнение метрик представлено ниже:
| Метрика / Модель | До исправления (Baseline) | После Inference-Time Projection | Примечание |
|---|---|---|---|
| Физическая валидность (Boltz test set) | Значительная доля ошибок | 100% (Perfect) | Устранены стерические конфликты |
| Структурная точность (CASP15/16) | Высокая | Сохранена | Без деградации качества |
| Размещение лигандов (PoseBusters) | Искажения геометрии | Корректная геометрия | Восстановлены связи и хиральность |
| Накладные расходы (Overhead) | — | Пренебрежимо мало | Нет дополнительных вызовов сети |
Значение для индустрии
Предложенный метод обеспечивает практический, независимый от модели путь к получению физически корректных атомарных структур. Это критически важно для drug discovery, где неверная геометрия лиганда или стерическое наложение могут привести к ложным выводам о связывании, при этом не требуя пересборки пайплайнов предсказания.
Источник: arXiv cs.AI ↗
