今天分享论文《Reshaping Biomolecular Structure Prediction through Strategic Conformational Exploration with HelixFold-S1》。作者聚焦生物分子复合物结构预测中的一个关键难题：现有模型虽然可以通过大量重复采样生成候选结构，但传统采样往往缺乏明确方向，容易反复探索相似的构象区域，产生大量冗余结果，不仅计算成本高，也难以持续提高正确结构的命中率。为此，作者提出HelixFold-S1：一种基于跨链接触概率进行引导式构象探索的复合物结构预测框架。该方法建立在HelixFold3基础上，新增接触预测模块和接触条件模块，首先预测不同分子链之间的接触概率矩阵，将其视为构象空间的粗粒度“蓝图”；随后按照接触概率优先选择高置信度接触，并将其作为条件约束引导扩散模型生成候选结构。具体来说，HelixFold-S1通过冗余接触剪枝避免重复探索已被满足的接触区域，并根据模型置信度对生成结构进行排序，从而在有限采样预算下获得更加准确且多样的候选构象。作者在蛋白质–抗体、蛋白质–蛋白质、蛋白质–小分子、蛋白质–RNA和蛋白质–DNA等任务中验证了该方法，结果表明HelixFold-S1在相同采样次数下普遍优于传统无引导采样，尤其在蛋白质–抗体复合物上提升明显，并能以远少于传统方法的采样次数达到相近精度。总体而言，这项工作把复合物结构预测从“盲目增加采样数量”推进为“利用接触先验规划构象搜索”，为提高复杂生物分子结构预测的准确性、采样效率和候选多样性提供了新的通用思路

1.引言

在生物分子复合物结构预测任务中，真正困难的并不是“生成一个看起来合理的三维结构”，而是从极其庞大的构象空间中找到真正接近天然结合状态的构象。对于蛋白质–蛋白质、蛋白质–抗体、蛋白质–小分子以及蛋白质–核酸等复合物，同一组输入序列往往对应大量可能的相对位置、取向和界面接触方式，而真正具有生物学意义的结合模式通常只占很小一部分。为了提高正确结构被生成出来的概率，现有方法常采用大规模重复采样，为同一个目标生成几十、几百甚至上千个候选结构。然而，这种方法并不一定能够有效覆盖构象空间，因为不同采样结果可能反复集中在同一个局部区域，产生大量相似且冗余的结构。这样不仅带来高昂的计算成本，也使Top-N性能随着采样数量增加而逐渐饱和。论文指出，传统采样策略的核心问题并不是采样数量不足，而是缺少对“哪些构象区域更值得探索”的提前判断，因此大量计算资源被浪费在低价值或重复的构象上。

与此同时，AlphaFold3和HelixFold3等基于深度学习的通用生物分子结构预测模型，为复合物建模提供了强大的生成能力。这类模型可以整合序列、MSA、模板和分子表示，并通过扩散模块生成原子级复合物结构。但是，单纯依赖随机性、dropout、模板屏蔽或MSA子采样来增加候选多样性，本质上仍属于缺乏明确方向的构象探索，模型并不知道哪些跨链相互作用最可能对应正确结合模式。如果只是不断增加采样次数，虽然可能提高候选集合中出现近天然结构的概率，但计算成本会迅速上升，而且生成结果之间可能高度重复。基于这一问题，作者提出HelixFold-S1，一种面向生物分子复合物结构预测的引导式构象探索框架。它不再把结构预测模型仅仅看作一个“重复运行的随机生成器”，而是先对跨链相互作用进行规划，再根据规划结果有目的地生成候选结构。也就是说，模型首先判断哪些残基对或分子token更可能发生接触，再把这些高概率接触作为构象空间的粗粒度“蓝图”，指导后续结构生成过程。

具体而言，HelixFold-S1在HelixFold3基础上引入接触预测模块和接触条件模块。接触预测模块利用Pairformer生成的成对表示，预测不同分子链之间所有token对的接触概率矩阵，并将原子间距离小于5 Å定义为接触；接触条件模块则把选中的跨链接触编码为几何约束，加入结构预测网络，引导扩散模块生成满足特定接触关系的候选构象。在推理过程中，模型按照接触概率从高到低选择约束，并通过冗余接触剪枝排除已被先前结构满足的接触，避免不同采样反复探索相同界面。所有候选结构最终根据pTM、ipTM和链间碰撞惩罚构成的置信度分数进行排序。实验结果表明，HelixFold-S1在蛋白质–抗体、蛋白质–蛋白质、蛋白质–小分子、蛋白质–RNA和蛋白质–DNA任务中均能提高采样效率和结构准确性，其中在蛋白质–抗体复合物上的提升最为明显。总体而言，这篇工作不是简单地“生成更多复合物结构”，而是把无目标的重复采样改造成由跨链接触预测、约束生成和冗余剪枝共同引导的构象搜索过程，为复杂生物分子复合物的高效结构预测提供了新的思路。

2.方法

2.1 HF-S1的整体工作流

如Figure 1所示，HF-S1的整体思想不是“对同一个复合物随机运行很多次，然后从中挑选一个结果”，而是先预测哪些跨链位置最可能形成接触，再利用这些接触信息有计划地生成不同候选结构。论文要解决的核心问题是：生物分子复合物的构象空间非常大，真正合理的结合模式只位于少量高概率区域，而传统采样缺乏明确方向，容易反复落入同一个局部区域，得到大量相似构象。这样即使名义上生成了几十、几百甚至上千个候选结构，真正被探索到的有效结合模式仍然可能很少。

Figure 1a展示传统的aimless sampling。模型每次依靠随机噪声、dropout、模板屏蔽或其他随机因素生成结构，但不同采样经常聚集在构象空间的同一局部峰附近。因此，多个候选可能只是同一种结合模式的小幅扰动，并没有带来足够的构象多样性。Figure 1b展示HF-S1的guided planning：模型先判断构象空间中哪些区域具有较高概率，再分别引导结构生成模型探索这些区域，从而提高有限采样预算的利用率。

Figure 1c和Figure 1d对应HF-S1的两阶段推理流程。第一阶段，模型通过接触预测模块CPM预测跨链token之间的接触概率矩阵，并将这个矩阵视为构象空间的粗粒度“蓝图”。第二阶段，模型按照接触概率选择不同的接触对，将其输入接触条件模块CCM，并调用HF3的扩散结构生成模块得到候选结构。不同接触约束通常会把模型引导到不同的界面位置或结合方向，因此同一个复合物可以生成一组低冗余、具有不同结合模式的候选构象。

Figure 1e展示具体网络结构。HF-S1保留HelixFold3原有的输入编码、模板搜索、MSA搜索、构象生成、Input Embedder、Pairformer、Diffusion Module和Confidence Module，只在HF3上增加两个接触相关模块： Contact Prediction Module（CPM）与Contact Conditioning Module（CCM） 其中，CPM负责回答“哪些跨链token可能接触”，CCM负责回答“如何把选中的接触信息加入结构生成”。因此，HF-S1并没有重新设计整个原子扩散网络，而是为已有的HF3结构生成器增加了一个“先规划、后生成”的外层引导机制。

2.2接触概率矩阵：构象空间的粗粒度蓝图

HF-S1首先使用CPM预测复合物中的链间接触概率。 论文将两个token之间的接触定义为：如果分别属于这两个token的任意一对原子在三维空间中的距离小于5 Å，那么这两个token被认为发生了接触。这里的token并不一定只表示蛋白质残基。由于HF-S1继承了HF3处理多种生物分子的能力，token可以对应蛋白质残基、核酸单元或者经过HF3规则划分的小分子配体单元。

CPM最终输出一个接触概率矩阵。矩阵中的每一行和每一列分别对应一个token，某个位置的数值表示相应token对发生空间接触的可能性。HF-S1只保留不同链之间的接触概率，同一条链内部的接触在推理阶段会被设置为零，因为论文关注的是复合物中不同分子链之间的相对结合方式。

接触概率矩阵不能直接等同于完整的三维结构。一个复合物的真实界面通常由多个残基或原子共同形成，而不是只依靠一对残基完成结合。HF-S1选择一个接触的目的，也不是让这两个残基脱离其他部分单独进行对接，而是利用这对接触给整个结构生成过程提供一个空间锚点。

例如，假设CPM认为链A中的某个残基与链B中的某个残基具有较高的接触概率，那么这个信息说明：构象空间中存在一个值得探索的区域，在这个区域里，这两个残基可能彼此接近。CCM把这一信息输入模型以后，扩散模块仍然会生成整个复合物的全部原子坐标，其他残基之间的接触关系、界面方向和局部构象仍然由模型联合决定。

因此，接触概率矩阵是一种经过压缩的构象空间表示。它不能精确描述每一个完整构象，却可以告诉模型哪些链间相互作用模式更值得优先探索。这也是论文把它称为构象空间“蓝图”的原因。

2.3 接触预测模块：CPM

HF-S1的CPM建立在HF3的Pairformer表示之上。 蛋白质序列、DNA或RNA序列、小分子SMILES或CCD信息首先进入HF3的数据处理流程。模型还会根据输入类型进行模板搜索、MSA搜索或者配体初始构象生成。经过Input Embedder编码后，这些信息被转化为模型内部的单体表示和成对表示。

其中，单体表示主要记录每个token自身的特征，成对表示则记录两个token之间的关系。由于链间接触本身就是一个token对层面的问题，CPM主要利用Pairformer输出的成对表示进行预测。

论文中的CPM内部还包含一个额外的Pairformer Stack。它会进一步更新token对表示，随后对每一个链间token对执行二分类，判断该token对是否发生接触，并输出相应的接触概率。因此，CPM并不是根据最终预测结构再反推接触，而是在真正生成三维结构之前，就直接根据序列、MSA、模板和其他输入特征预测链间相互作用。

这一设计带来的优势是，模型可以先在相对简单的接触空间中判断哪些结合模式更有可能，再把有限的结构采样次数集中到这些区域。相比直接在全部原子坐标构成的高维空间中随机搜索，接触概率矩阵能够显著缩小需要重点探索的范围。

为了降低单次预测带来的随机波动，在正式推理时，HF-S1会独立运行五次接触预测任务，得到五个接触概率矩阵，然后对它们逐元素取平均，形成最终用于采样的接触概率矩阵。对于蛋白质–抗体复合物，接触采样只考虑抗原链与抗体重链之间，以及抗原链与抗体轻链之间的接触，不考虑抗体重链与轻链之间的接触。原因是HF-S1希望探索的是抗体与抗原之间的结合模式，而不是抗体自身重链和轻链的装配关系。

2.4 接触条件模块：CCM

CPM负责预测“哪些token可能发生接触”，而CCM负责让结构生成模型真正利用这些接触信息。

CCM被加入HF3的Input Embedder中。输入的接触约束被表示为一个二值矩阵：被指定为接触约束的token对取值为1，其余位置取值为0。随后，这个二值矩阵经过线性层投影，被转换为与模型成对表示相匹配的特征，并融合到Input Embedder产生的pair activation中。

加入接触条件以后，更新后的成对表示继续进入Pairformer和扩散模块。这样，接触约束并不是在结构生成结束后，通过几何优化强行把两个残基拉近，而是在扩散生成开始之前，就被写入了模型内部的成对表示。 因此，CCM的作用可以理解为给扩散模型提供一个链间空间先验。它告诉模型，在当前这一轮采样中，应当重点生成满足某个特定链间接触的构象。

不过，指定一对接触并不能唯一确定一个完整的复合物结构。同一对残基在不同的整体旋转、平移和界面排列下，都可能满足5 Å以内的接触条件。因此，CCM只负责把结构生成引导到构象空间中的某个区域，完整的结合姿态仍然由Pairformer和扩散模块共同预测。这也解释了为什么HF-S1可以通过选择不同的单个接触，生成多个不同的复合物构象。每个接触相当于一个不同的探索入口，而不是完整结构的全部约束。

2.5 三阶段微调与多任务损失

HF-S1新增的CPM和CCM采用随机初始化，而HF3原有模块继承预训练参数。模型继续使用HF3的训练数据进行微调，包括2021年9月30日以前发布的PDB结构以及自蒸馏数据。作者将HF-S1的训练过程分为三个阶段。

第一阶段只训练接触条件结构预测任务，主要目的是让模型学会如何利用CCM提供的链间接触约束生成复合物结构。对于每个实验复合物，作者首先根据5 Å距离标准提取真实链间接触集合。在70%的训练样本中，从真实接触集合中均匀抽取1至10个token对，作为接触约束输入CCM；剩余30%的训练样本不提供任何接触约束。保留无接触约束样本非常重要。如果每个训练结构都提供真实接触，模型可能过度依赖外部条件，从而削弱原本的无约束结构预测能力。通过混合有约束和无约束样本，HF-S1既能够利用接触先验，也能够保留HF3原有的结构预测能力。

第二阶段同时训练接触条件结构预测和接触预测两个任务。其中一半训练样本用于接触条件结构预测，另一半用于训练CPM。训练CPM时，CCM会被关闭。这样可以防止真实接触约束通过CCM进入模型，造成标签泄漏。CPM必须只依靠序列、MSA、模板和其他常规输入信息，自主预测链间接触概率。对于所有属于不同链的token对，论文采用二分类交叉熵计算接触预测损失：

其中， 表示所有链间token对组成的集合， 表示模型预测的接触概率， 表示真实接触标签。如果token对 属于真实接触集合，则标签为1，否则为0。

HF-S1的整体损失保留了HF3原有的置信度损失、扩散损失和距离图损失，并额外加入接触预测损失：

第三阶段继续采用第二阶段的多任务训练方式，但把crop size从384增加到640，使模型能够处理包含更多token的生物分子复合物。

三个阶段分别训练10,000步、20,000步和3,000步。模型使用Adam优化器，学习率为 ，batch size为128。

2.6 接触采样与冗余接触剪枝

完成接触概率预测后，HF-S1按照概率从高到低依次选择链间接触。每一个被选中的接触都会作为一次独立结构生成的条件，从而产生一个候选复合物构象。

如果只是机械地按照概率排序选择接触，仍然可能产生大量冗余结构。例如，模型第一次选择接触A1–B2后生成一个结构，这个结构不仅满足A1–B2，还可能同时形成A2–B3、A3–B4等其他接触。如果下一次继续选择A2–B3，模型可能再次生成与前一个结构非常相似的结合模式。

为解决这一问题，HF-S1提出了冗余接触剪枝，Redundant Contact Pruning，简称RCP。每生成一个候选结构，模型都会按照相同的5 Å标准，从该预测结构中提取全部链间接触，形成一个接触集合。随后，在选择下一轮约束时，凡是已经出现在之前预测结构中的接触都会被排除。

因此，RCP并不只是删除已经被直接选中过的那个接触，而是删除此前候选结构中已经自然形成的所有接触。这样可以避免后续采样再次进入相同的界面区域，让不同采样尽可能覆盖不同的潜在结合模式。随着高概率且非冗余的接触逐渐被使用，剩余接触的预测概率会不断降低。当候选接触概率低于最大接触概率的20%时，HF-S1不再继续探索新的低置信度接触，而是转向已经生成的高质量接触集合。此时，模型会按照顺序循环访问之前预测结构中提取出的接触集合，从这些集合中继续选择接触，直到达到预设的总采样次数。这一阶段相当于从“探索新的结合区域”转向“进一步利用已经发现的可靠区域”。

HF-S1的接触采样同时包含两个过程：

前期侧重探索，通过高概率接触和RCP寻找不同的结合模式；后期侧重利用，对已经发现的高置信度接触区域进行补充采样。需要说明的是，RCP是一个可选模块。由于RCP需要根据上一轮生成的结构决定下一轮选择哪些接触，因此属于串行采样。如果计算资源充足，并且更重视并行速度，可以关闭RCP，让不同接触约束下的结构预测完全并行运行。

2.7 接触引导的结构生成与候选排序

每次完成接触采样后，选中的token对会被写入二值接触约束矩阵，并通过CCM输入HF3。扩散模块随后在该接触条件下生成一个完整的候选复合物结构。

这里仍然需要强调，接触约束并不是结构生成的最终答案。它只规定某个链间token对应当在空间中靠近，而整个复合物的相对平移、旋转、局部骨架、侧链方向和其余界面接触，都需要由结构预测模型共同确定。

因此，HF-S1最终会得到一组由不同接触约束引导生成的候选结构。这些结构可能对应不同的结合区域，也可能对应同一结合区域中的不同局部构象。对于每一个候选结构，模型都会计算一个用于排序的置信度分数。论文沿用AF3的思路，将整体结构置信度pTM、界面置信度ipTM和链间碰撞惩罚组合起来：

其中，pTM反映模型对完整复合物整体拓扑结构的置信度，ipTM更加关注不同分子链之间界面的准确性，has_clash表示预测结构中是否存在明显的聚合物链间碰撞。由于复合物预测的重点是链间相互作用，ipTM的权重被设置为0.8，高于pTM的0.2。如果候选结构中存在明显链间碰撞，则会受到额外惩罚。最终，HF-S1选择ranking confidence最高的候选结构作为模型输出。

3.实验

本研究的实验结果部分旨在系统评估HelixFold-S1在生物分子复合物结构预测中的准确性、采样效率、模块有效性以及构象空间探索能力，而不仅是证明增加接触约束后某一个指标有所提升。作者首先在蛋白质–抗体、蛋白质–蛋白质、蛋白质–小分子、蛋白质–RNA和蛋白质–DNA五类复合物上，与HF3、HF3 with AFSample、Protenix和Chai-1等模型进行比较，对应Figure 2a–d，用于验证接触引导采样能否在相同采样预算下获得更准确的候选结构，并考察该策略能否迁移到其他结构预测模型。随后，Figure 2e–g分别评估接触预测模块CPM和接触条件模块CCM，回答模型预测的接触概率是否准确，以及生成结构是否真正满足输入的接触约束。在此基础上，Figure 3进一步分析接触概率与目标预测难度、多次采样收益以及残基物理化学性质之间的关系。最后，Figure 4从候选结构准确性分布、采样顺序和具体结构案例等方面，验证引导采样是否比传统无目标采样探索到更广、更有效的构象空间。总体来看，论文的实验设计从整体结构准确性、广泛采样效率、关键模块验证、预测难度评估到构象多样性分析，较完整地证明了HF-S1的有效性。

3.1 HelixFold-S1与基线模型的整体结构预测性能比较

Figure 2a和Figure 2b主要评估HelixFold-S1能否在不同类型的生物分子复合物上提高结构预测准确性。测试集包括221个蛋白质–抗体复合物、198个蛋白质–蛋白质复合物、238个蛋白质–小分子复合物、177个蛋白质–RNA复合物和254个蛋白质–DNA复合物。每个目标生成25个候选结构，并按照各模型给出的置信度分数进行排序。针对不同任务，作者采用了不同评价指标：蛋白质–蛋白质和蛋白质–抗体使用DockQ，蛋白质–小分子使用结合口袋对齐后的配体RMSD，并统计配体RMSD小于2 Å的比例；蛋白质–RNA和蛋白质–DNA则使用界面iLDDT。

结果显示，HF-S1在五类复合物上的Top-5结构精度整体优于原始HF3和采用传统扩增采样策略的HF3 with AFSample。提升最明显的是蛋白质–抗体任务，HF-S1相对于HF3的性能提升超过55%，相对于HF3 with AFSample的提升也超过33%。这是因为抗体–抗原界面具有较高多样性，传统随机采样容易反复生成相似或错误的结合模式，而HF-S1可以利用不同的高概率跨链接触引导模型探索多个潜在表位和结合方向。蛋白质–蛋白质、蛋白质–RNA和蛋白质–DNA任务也获得了较稳定的提升，而蛋白质–小分子任务的相对提升较小，可能是因为小分子的结合口袋通常更局限，原始模型已经较容易定位其结合区域。

Figure 2b进一步比较了HF-S1相对于HF3在Top-1、Top-5和Top-25下的相对提升。结果表明，引导采样不仅增加了候选集合中出现高质量结构的概率，也提高了不同Top-K设置下的整体表现。这说明HF-S1的优势不是只体现在某一个偶然的最佳结构上，而是在不同候选数量下都能更有效地探索具有潜在正确界面的构象区域。不过Top-1结果的波动相对较大，因为Top-1不仅取决于模型能否生成正确构象，还取决于置信度评分能否将其准确排到第一位。

Figure 2c和Figure 2d重点研究蛋白质–抗体复合物上的大规模采样效果。作者选取74个2024年发布的蛋白质–抗体复合物，对部分方法进行1000次采样。结果表明，随着采样数量增加，各方法的Top-1精度总体都会提高，但HF-S1的采样效率明显更高。HF-S1仅使用约10个候选结构，就能达到HF3 with AFSample生成约1000个候选结构时的相近精度，相当于用约1%的采样成本获得类似性能。Figure 2d还将抗体划分为传统抗体、纳米抗体和scFv，HF-S1在三类抗体上均优于HF3 with AFSample，说明接触引导策略并非只适用于某一种抗体形式。总体来看，Figure 2a–d证明HF-S1的核心优势不是简单生成更多候选，而是提高每一次采样的有效性，使更少的结构覆盖更多有意义的结合模式。

3.2 接触预测模块CPM与接触条件模块CCM的有效性

Figure 3e评估接触预测模块CPM能否准确预测不同分子链之间的接触概率。作者根据实验结构构建真实接触图：如果两个token对应的任意一对原子距离小于5Å，就将其定义为真实接触。随后，将CPM输出的接触概率矩阵与真实接触图进行比较，并使用AUPRC进行评价。作为基线，作者还根据HF3生成的候选结构，利用残基间最小距离构建后验接触概率矩阵。结果显示，HF-S1预测的接触概率在五类复合物上均比HF3后验接触概率更加准确，说明CPM不是简单复制结构模型已有的信息，而是能够直接从序列、MSA、模板和Pairformer成对表示中学习跨链相互作用规律。

不同任务的接触预测难度也存在明显差异。蛋白质–小分子复合物的AUPRC最高，说明其结合口袋和配体接触区域通常比较集中，模型更容易识别；蛋白质–抗体复合物的AUPRC最低，反映出抗体–抗原界面的多样性和不确定性更强。这一结果与Figure 2a中的整体结构预测表现相互对应：接触越难预测，传统无引导采样越容易失败，而接触引导策略所带来的提升空间也越大。

Figure 3f主要验证接触条件模块CCM能否让生成结构真正满足输入的接触约束。作者统计每个给定接触在最终预测结构中是否被实现，并计算接触满足率。结果表明，在大多数复合物类型中，HF-S1生成结构的接触满足率超过70%，说明CCM能够把输入的二值接触约束有效传递到后续结构生成过程中。换句话说，HF-S1不是只在网络中加入了一个接触特征，而是真正能够根据所选接触改变预测结构的结合位置和界面关系。

Figure 3g进一步给出了PDB 8ozb的结构案例。作者分别从预测接触图中选择R43–N26和V103–L28两个跨链接触作为约束，最终生成了两种不同的结合构象，并分别形成约3.1 Å和4.2 Å的接触距离。这个案例直观说明，不同接触约束可以把扩散结构生成引导到不同的构象区域，从而产生具有不同界面模式的候选结构。总体来看，Figure 3e–g证明HF-S1的性能提升并不是简单来自更多参数或额外微调，而是来自CPM“预测合理接触”和CCM“利用接触生成结构”两个模块的配合。

3.3 接触概率与预测难度及多次采样收益的关系

Figure 4a首先研究目标级接触概率与结构预测准确性之间的关系。作者将每个目标的接触概率矩阵中的最大值定义为target-level contact probability，并根据该数值将目标划分为高、中、低三个概率组。结果显示，在蛋白质–抗体、蛋白质–蛋白质、蛋白质–RNA和蛋白质–DNA任务中，接触概率越高，模型通常越容易得到高质量结构；接触概率较低的目标，其DockQ或iLDDT也往往较低。这说明最大接触概率可以作为目标预测难度的粗略指标：如果模型连最可能的跨链接触都只能给出较低置信度，那么该复合物的结合界面通常更加模糊，结构预测难度也更高。

Figure 4b比较了不同复合物类型的接触概率分布。蛋白质–小分子复合物整体具有较高接触概率，表明模型通常能够较明确地定位小分子结合口袋；蛋白质–抗体复合物则更多集中在较低概率区域，说明抗体–抗原结合模式具有更高不确定性。蛋白质–RNA和蛋白质–DNA的概率分布更宽，表明不同核酸复合物之间的预测难度差异较大。该结果再次说明，不同类型的生物分子复合物不能简单采用完全相同的采样预算，而应根据接触概率和目标难度分配计算资源。

Figure 4c分析增加采样数量能带来多大收益。作者比较单次采样与多次采样中最佳结构的差异，发现接触概率处于中等水平的目标通常能从多次采样中获得最大提升。高概率目标本身较容易，单次采样已经可能得到正确结构，因此继续增加采样的收益有限；低概率目标虽然困难，但其接触图整体缺乏可靠信号，即使增加一些采样，也未必能迅速找到正确构象；中等概率目标则已经具有部分有效接触信息，同时仍存在多个可能结合模式，因此最适合通过多次采样进一步探索和优化。蛋白质–小分子任务由于整体接触概率较高，并不完全遵循这一规律。

Figure 4d比较了HF-S1和HF3在不同接触概率组中的表现。结果显示，HF-S1相对于HF3的提升在低接触概率目标上更加明显。原因在于，高概率目标本来就较容易预测，传统HF3已经能够得到较好结构；而低概率目标的构象空间更复杂，无目标采样更容易反复停留在错误区域，因此更需要接触引导来扩大有效搜索范围。需要注意的是，这里表示的是HF-S1相对于HF3的优势，而不是说低概率目标本身一定能通过少量采样获得最高准确率。

Figure 4e进一步分析不同氨基酸残基对的平均接触概率。结果表明，Leu–Leu、Met–Met等疏水残基对更容易获得较高接触概率，而Asp、Glu和Lys等极性或带电残基对的平均概率相对较低。这可能反映疏水残基更常出现在紧密堆积、能量较有利的界面核心，而部分带电或极性残基更容易暴露在溶剂中，其相互作用也更加依赖具体环境。总体来看，Figure 4说明CPM输出的接触概率不仅可以用于指导结构生成，还可以估计任务难度、预测继续采样是否值得，并在一定程度上反映残基相互作用的物理化学规律。

3.4 引导采样对构象空间探索和候选多样性的影响

Figure 5a和Figure 5b主要研究HF-S1是否能够生成更加多样的候选构象。作者计算同一目标不同预测结构准确性分数的标准差，并将其作为构象探索广度的近似指标。这里的标准差不是直接计算三维结构之间的几何差异，而是衡量候选结构质量分布是否更加分散：如果所有候选都集中在非常相似的构象区域，其准确性通常也较为接近；如果模型探索了多个不同结合模式，则候选结构的准确性分布往往更宽。结果显示，在多数目标中，HF-S1的标准差高于HF3，尤其是在蛋白质–抗体、蛋白质–RNA和蛋白质–DNA任务中，HF-S1表现出更明显的候选多样性优势。

Figure 5b进一步将目标划分为“HF-S1标准差更高”“两者相近”和“HF3标准差更高”三类。五种复合物类型中，多数目标属于HF-S1标准差更高或与HF3相近的类别，而HF3明显更高的目标比例较低。这说明HF-S1通过选择不同的跨链接触约束，确实能够引导模型探索多个潜在界面，而不是像传统随机采样一样大量重复同一局部结合模式。不过，标准差较高本身并不代表每个候选都更准确，它表示候选集合覆盖的质量范围更广，其中既可能包含较差结构，也更可能包含少数高质量的近天然结构。

Figure 5c分析采样顺序与平均结构准确性的关系。HF3的候选结构基本按照随机顺序产生，因此随着采样数量增加，累计平均准确性变化不大。HF-S1则按照预测接触概率从高到低进行采样，前期优先使用最可靠的接触约束，所以最早生成的一批候选通常具有更高平均精度；随着采样继续，模型逐渐尝试概率较低的接触，累计平均精度会出现一定下降。这个现象不是说明后续采样导致模型退化，而是说明HF-S1有明确的优先级：先利用高概率区域获得高质量结构，再逐步探索较低概率但可能包含不同结合模式的区域。

Figure 5d通过两个具体案例进一步展示了这种差异，包括纳米抗体复合物PDB 8pe1和蛋白质–RNA复合物PDB 8hhm。HF3生成的候选结构更多集中在较窄的置信度和精度范围内，说明很多样本彼此相似；HF-S1则产生了更宽的准确性分布，其中既包括低质量结构，也包括HF3未能探索到的高质量构象。三维结构叠合结果表明，HF-S1能够覆盖更多可能的链间排列方式，并增加接近实验结构的候选数量。总体来看，Figure 5证明HF-S1不是通过简单重复采样提高性能，而是通过接触规划改变候选结构在构象空间中的分布，使有限采样预算能够覆盖更多有意义的结合模式。

4.讨论

HelixFold-S1关注的是生物分子复合物结构预测里一个很实际的问题：现在很多模型确实能够生成复合物结构，但真正提高预测成功率时，往往不能只生成一个结果，而是要为同一个目标生成一批候选构象。问题在于，传统做法通常只是依靠随机种子、dropout、模板屏蔽或MSA子采样来增加结果数量，这些采样缺少明确方向，容易反复落在相似的构象区域，得到大量冗余结构。这样虽然名义上生成了很多候选，但真正探索到的有效结合模式可能并不多，Top-N性能也容易很快饱和。HelixFold-S1的思路是，不再盲目增加采样次数，而是先预测不同分子链之间哪些token更可能发生接触，再利用这些接触概率规划后续采样方向，让模型优先探索更有可能对应真实界面的构象区域。

从方法上看，HelixFold-S1的核心是在HelixFold3基础上加入接触预测模块和接触条件模块。接触预测模块根据Pairformer生成的成对表示，输出跨链token之间的接触概率矩阵，相当于先构建一个构象空间的粗粒度“蓝图”；接触条件模块再把选中的高概率接触作为额外约束，加入扩散结构生成过程。也就是说，每次采样不再只是重新随机生成一个结构，而是围绕不同的潜在跨链接触生成候选构象。为了避免重复，作者还设计了冗余接触剪枝：如果某个候选接触已经在之前生成的结构中得到满足，后续就不再重复使用，从而增加候选集合的多样性。最后，所有预测结构按照由pTM、ipTM和碰撞惩罚组成的置信度分数排序。论文在蛋白质–抗体、蛋白质–蛋白质、蛋白质–小分子以及蛋白质–核酸任务上验证了该方法，结果表明这种引导采样能够以更少的采样次数获得更好的结构精度，其中在蛋白质–抗体复合物上的提升最明显。

当然，HelixFold-S1也不是万能的。它的效果首先依赖接触预测模块是否准确；如果预测出的高概率接触本身就是错误的，后续结构生成也可能被引导到错误区域。其次，论文最终仍然需要依赖置信度分数从候选集合中选出最佳结构，而作者也指出，现有置信度指标有时不能可靠识别真正最接近天然状态的构象，因此“生成出正确结构”和“把正确结构排到第一”仍然是两个不同问题。另外，当前方法按照接触概率从高到低进行较为贪心的采样，随着采样继续，后面的低概率接触可能带来的收益逐渐减小；冗余接触剪枝虽然减少重复，但顺序执行也限制了并行效率。论文也没有专门针对蛋白质–多肽复合物的长链柔性、口袋诱导契合和物理约束进行设计。总体来看，HelixFold-S1的意义在于，它把复合物结构预测从单纯的“重复随机采样”，变成了一个由跨链接触先验主动规划的构象搜索过程。

5.参考文献

论文链接：

“

https://www.nature.com/articles/s42256-026-01264-2

代码链接：

“

https://github.com/PaddlePaddle/PaddleHelix/tree/dev/apps/protein_folding/HelixFold-S1