在深度学习中，反向传播（Backpropagation，简称 Backprop）是训练神经网络的核心算法，通过自动微分计算损失函数对模型权重的梯度，从而更新模型参数。
而在蛋白质设计（Protein Design）领域，“基于反向传播的设计方法（Gradient-based / Backpropagation Methods）”则进行了一次巧妙的逆向思考（Inversion）：
模型权重被冻结（Freeze Weights）：不再训练结构预测神经网络（如 AlphaFold2、TrRosetta 等）本身；
输入序列被设为变量（Optimize Inputs）：将输入的蛋白质序列（或松弛后的连续氨基酸概率矩阵）设为可优化参数；
通过梯度引导寻优：定义一个表征蛋白质结构质量或功能的损失函数（Loss Function）（如提升结构预测置信度 pLDDT、降低几何偏差 RMSD、提高结合界面亲和力 ipTM），然后利用反向传播算法计算损失函数对输入序列的梯度，沿着梯度的反方向迭代更新序列，使序列逐步收敛到能折叠成目标结构的最佳氨基酸组合。
简言之，反向传播蛋白设计就是“把结构预测网络当作一个可微的评估器，通过求导直接算出‘什么样的氨基酸序列能满足我的设计目标’”。
该图展示了一个基于TrRosetta神经网络的蛋白质逆向折叠或设计过程。它首先将蛋白质序列(X)作为输入，通过TrRosetta模型预测出其三维结构(Q)。随后，将预测结构(Q)与预设的目标结构(P)进行比较，计算出损失(L)。为了优化序列以减小这一损失，系统会通过反向传播计算梯度(∇)，并利用这个梯度来更新序列的原始Logits(Y)。最后，更新后的Logits会再次转换为新的蛋白质序列(X)，形成一个迭代循环，旨在通过不断调整序列，使其预测结构越来越接近目标结构。From: https://www.pnas.org/doi/10.1073/pnas.2017228118.
一、 基于反向传播的基本工作流程
-
序列表征连续化（Continuous Relaxation）：由于离散的 20 种氨基酸无法直接求导，算法首先将序列表示为连续的概率矩阵（例如 (L \times 20) 的 Softmax 矩阵），使其变成可微的数学形式。
-
前向结构预测（Forward Pass）：将连续序列矩阵送入预训练的结构预测模型，预测出三维结构、残基间距离图（Distogram）或结合界面图。
-
计算目标损失（Loss Calculation）：根据设计需求计算 Loss。
-
反向传播计算梯度（Backprop & Gradient Step）：利用自动微分，沿着深度网络从输出层一路反向求导至输入层，获得 Loss 对连续序列的梯度，并使用优化器（如 Adam）更新序列矩阵。
-
退火离散化（Temperature Decay & Discretization）：随着迭代进行，逐渐降低 Softmax 的温度参数，使连续的概率矩阵最终“固化”为离散的确切氨基酸序列。
二、 基于反向传播的代表性工具及案例
近年来，基于反向传播的蛋白设计工具推出了许多经典架构，涵盖从早期单体“幻觉”到最新的全原子结合蛋白设计：
1. AfDesign (ColabDesign 框架)
·原理：由 Sergey Ovchinnikov 课题组开发，是目前最广为人知的基于 AlphaFold2 的反向传播设计工具。它将 AF2 的推理过程完全可微化，通过对 AF2 的结构预测结果计算梯度，反向优化氨基酸序列。
o模体脚手架化（Motif Scaffolding）：给定一段具有特定催化或结合功能的已知蛋白片段（Motif），AfDesign 通过反向传播梯度，自动在 Motif 两侧生成全新的骨架序列，使其精确固定在目标空间位置。
o结合蛋白设计（Binder Design）：固定靶点蛋白，通过反向传播优化与靶点接触的 Binder 序列，使其最小化 PAE（预测位置误差）并最大化 ipTM（界面预测得分）。
2. TrRosetta / DeepNetwork Hallucination
·原理：由 Baker 实验室（Anishchenko et al., Norn et al.）早期提出。利用预训练的 TrRosetta 神经网络预测残基间距离分布，定义“结构有序度”损失函数，通过梯度下降与蒙特卡洛采样结合的方式反向优化序列。
o从头“幻觉”全新蛋白（De Novo Hallucination）：从随机序列开始，通过梯度下降逼迫 TrRosetta 预测出极具规则性（如高 pLDDT、明确 β-折叠/α-螺旋）的距离图，成功设计出天然界不存在的全新蛋白折叠。
3. BindCraft
·原理：Pacesa 等人于 2024/2025 年提出的基于 AlphaFold2-multimer 梯度优化的“一键式”结合蛋白设计管线。它结合了反向传播序列优化与多重物理/生物学约束损失，大大提高了从头设计蛋白质结合物（Protein Binders）的效率。
o靶向治疗性蛋白 Binder：BindCraft 被广泛用于针对细胞因子、受体等临床靶点直接梯度生成高亲和力结合蛋白。
4. RSO (Relaxed Sequence Optimization) 与 BoltzDesign1
oRSO（Frank et al., 2024）：在松弛序列空间（Relaxed Sequence Space）中利用 AF2 的梯度反向传播，实现对大规模蛋白质骨架的扩展优化。
oBoltzDesign1（Cho et al., 2025）：将反向传播思想拓展至全原子预测模型 Boltz-1/2，通过对全原子损失函数计算梯度，直接优化小分子及多模态结合蛋白。
三、 反向传播方法的优缺点对比
在蛋白质设计领域，反向传播方法与前文提到的仅前向传播（Forward-pass only）扩散幻觉方法（如 HalluDesign 与 Protein Hunter）形成了鲜明的对比：
四、 总结
蛋白质设计中的反向传播是一种将“结构预测神经网络逆向化”的强大计算范式。它通过对预测损失函数直接求导，将原本大海捞针般的序列搜索转化为连续空间中的梯度下降寻优，在 AfDesign、BindCraft 等工具中展现了极高的设计精度。
然而，面对 AlphaFold3 等拥有数十亿参数的全原子大模型时，反向传播面临着显存爆炸与崎岖曲面易卡死等瓶颈。这促进了以 HalluDesign 和 Protein Hunter 为代表的仅前向传播（Forward-pass only）扩散幻觉机制的兴起——两者互为补充，共同推动着 AI 蛋白质设计迈向全原子、多模态与高通量的新时代。
