SimpleFold - 财报，业绩电话会，研报，新闻

SimpleFold

搜索文档

量子位· 2025-10-01 11:03

核心观点 - 字节跳动Seed团队Protenix项目组提出新一代蛋白设计方法PXDesign，在生成效率与湿实验成功率方面达到领域领先水平[1][3] - PXDesign采用“生成+过滤”组合技术路线，其中基于Diffusion的PXDesign-d方案在生成质量、通量和结构多样性方面表现最佳[13][16] - 团队推出公开免费的在线设计服务PXDesign Server及标准化评估工具箱PXDesignBench，显著降低蛋白设计门槛并推动领域标准化发展[4][27][32] 技术突破与性能表现 - PXDesign在24小时内可生成数百个高质量候选蛋白，生成效率较业界主流方法提升约10倍[3] - 在多个靶点上实现20%-73%的湿实验成功率，相同靶点相较DeepMind的AlphaProteo提升2-6倍[3][10] - 针对VEGF-A、H1、TNF-α等高难度靶点，PXDesign-d效率较以往方法提升数倍甚至数百倍[16] 方法架构优势 - PXDesign-d采用复杂度为O(N²)的DiT网络结构，相比RFdiffusion的O(N³)模块可实现更大规模数据训练和更高生成效率[17] - 对比Hallucination路线（需多轮迭代调用结构预测模型），PXDesign-d无需反向传播优化，速度显著提升[18] - 过滤环节结合自研Protenix模型与AlphaFold 2，构建更稳定精准的筛选标准，Protenix-Mini模型将200步扩散过程简化为2步，效率提升数倍[22][24][25] 工具与服务创新 - PXDesign Server提供Preview模式（20-30分钟返回5-25个候选）和Extended模式（生成更多高质量候选），支持一站式binder设计[28][30][31] - PXDesignBench整合主流评估指标与流程，开源评估框架助力领域公平比较与方法迭代[32] - 免费网页服务突破计算开销限制，使高水平binder设计成为常规科研工具[4][20][29] 行业背景与意义 - 2024年诺贝尔化学奖授予蛋白结构预测与计算设计领域，凸显“反向设计”新蛋白的学术与产业价值[6][7] - AI蛋白设计有望替代传统高通量实验筛选（需数万候选分子），为癌症、感染等疾病带来全新疗法[8][9][12] - 科技巨头加速布局生物计算领域（如微软BioEmu、苹果SimpleFold），预示AI驱动生物制药行业成为新竞争高地[33][34]

苹果掀桌，扔掉AlphaFold核心模块，开启蛋白折叠「生成式AI」时代

36氪· 2025-09-28 07:59

蛋白质折叠，一直是计算生物学中的一个核心难题，并对药物研发等领域产生着深远影响。若把蛋白质折叠类比为视觉领域的生成模型，氨基酸序列相当于「提示词」，模型输出则是原子的三维坐标。受此思维启发，研究人员构建了一个基于标准Transformer模块与自适应层的通用且强大的架构——SimpleFold。论文地址：https://arxiv.org/abs/2509.18480 SimpleFold和AlphaFold2等经典的蛋白质折叠模型有哪些不同？ AlphaFold2、RoseTTAFold2通过融合复杂且高度专业化的架构，如三角更新、成对表示、多序列比对（MSA）。这些设计往往是将我们对结构生成机制的已有理解「硬编码」到模型中，而不是让模型自己从数据中学习生成方式。 SimpleFold则提出了一种全新思路：没有三角更新、成对表示，也不需要MSA，而是完全基于通用Transformer和流匹配（flow-matching），能够直接将蛋白质序列映射为完整的三维原子结构（见图1）。 SimpleFold 首个基于Transformer模块的蛋白折叠模型流匹配把生成视作一段随时间推进的旅程，用常微分 ...