这项新研究提出了一套直接用大语言模型做蛋白质折叠的方案,核心思路是把蛋白质 3D 结构信息嵌入模型的思维链推理过程,不再像传统方案那样分开做序列预测和结构建模,在多个蛋白质测试基准上,预测精度超过 AlphaFold3、IsoDDE 以及 Claude Opus,它的特点是让 LLM 一边推理氨基酸序列之间的相互作用,一边同步输出原子坐标、空间约束,实现端到端的蛋白质结构预测,打破了大家之前的固有认知 —— 也就是语言模型只能处理文本,很难直接搞定高精度 3D 生物结构,这套方案不用额外搭配独立的结构解码器,依靠思维链引导模型一步步推导空间构象,对可变剪接蛋白、复杂异构体结构预测提升尤其明显。
方案核心原理
传统蛋白质折叠工具大多是专用生物模型,AlphaFold 系列依靠多序列比对、成对注意力、结构模块分开计算;普通大模型比如 Claude Opus 只能读蛋白序列、做文字层面分析,很难直接输出可靠 3D 坐标。
这个新方法的改动重点在思维链设计:
- 给模型设计特殊的结构感知提示,把距离约束、二面角、局部骨架几何信息放进推理步骤
- 模型按步骤推理:氨基酸属性→残基之间相互作用→局部二级结构→全局 3D 空间排布
- 推理过程中同步生成 3D 结构表征,不是最后一步才预测坐标
- 训练时把蛋白序列、真值 3D 结构、中间推理轨迹一起喂给模型,对齐思维链和真实构象
对比基准结果简表
| 模型 | 特点 | 本次测试表现 |
|---|---|---|
| LLM+3D 结构思维链 | 语言模型端到端推理,自带结构思维链 | 最优,超过其余三款 |
| AlphaFold3 | 专用蛋白折叠模型,依赖 MSA 多序列比对 | 次优,复杂异构体上有短板 |
| IsoDDE | 面向蛋白异构体、可变剪接的专用模型 | 异构体预测强,但泛化弱 |
| Claude Opus | 通用大模型,仅文本理解,无原生 3D 建模能力 | 精度差距明显 |
重点优势:在缺少同源序列、MSA 质量差的孤儿蛋白、可变剪接异构体场景,这套 LLM 思维链方案优势最突出。
这套方案的能力清单
✅ 支持单链蛋白、多链复合物、可变剪接异构体结构预测
✅ 思维链推理过程可解释,能看到模型判断残基相互作用的步骤
✅ 不需要单独的结构解码器,主体是通用语言模型框架
✅ 可以同步输出结构坐标、残基接触图、二面角、可信度评估
✅ 兼容后续对接分子动力学模拟,直接拿到结构做药物分子对接
❌ 局限:需要专门用蛋白结构数据微调 LLM;推理速度比 AlphaFold3 慢;超大蛋白、膜蛋白的稳定性还需要继续优化
落地使用步骤
- 准备氨基酸序列,同时配置结构思维链提示模板
- 输入语言模型,启动分步推理,模型依次输出推理轨迹 + 3D 坐标
- 导出 PDB 格式蛋白结构文件,做结构校验、冲突检测
- 用生物评测指标(RMSD、TM-score)评估预测质量
- 下游对接分子对接、药物筛选、蛋白改造设计
行业影响
过去蛋白质折叠赛道基本被专用生物模型主导,这项研究证明语言模型可以通过改造思维链,直接学习 3D 空间规则,不再必须依赖独立的生物专用架构。如果后续持续优化速度和稳定性,未来一套通用大模型既能做生物文献阅读、序列设计,又能直接预测蛋白三维结构,打通从蛋白设计到结构预测的全链路,对新药研发、酶工程、合成生物学都有很大价值。
【相关 FAQ】
问题 1:语言模型推理折叠蛋白质,是怎么把 3D 结构塞进思维链的?
回答 1:该方案在语言模型推理流程里加入距离约束、二面角、骨架几何等空间信息,让模型分步推导氨基酸相互作用和空间排布,推理过程同步生成 3D 结构表征,实现把 3D 结构信息融入思维链。
问题 2:语言模型推理折叠蛋白质,为什么能超越 AlphaFold3?
回答 2:在缺少同源序列、可变剪接异构体这类场景下,这套带结构思维链的语言模型不依赖 MSA 多序列比对,对异构体的构象区分更好,在选定测试集上 TM-score 等指标优于 AlphaFold3。
问题 3:IsoDDE 原本擅长什么,为什么在这次蛋白折叠对比里输给 LLM 思维链方案?
回答 3:IsoDDE 是专门做蛋白异构体预测的模型,但泛化能力有限;而融入 3D 结构思维链的语言模型兼顾通用序列和异构体预测,在多类测试样本上综合表现更强。
问题 4:Claude Opus 本身也是大语言模型,为什么做蛋白折叠不如这套新方案?
回答 4:原生 Claude Opus 没有结构感知思维链,只能理解蛋白序列文本,没有专门学习 3D 构象约束,没办法直接输出高精度三维坐标,所以在蛋白质折叠任务上差距明显。
问题 5:用语言模型做蛋白质折叠,拿到结果之后可以直接用来做药物研发吗?
回答 5:模型输出的 PDB 结构可以导入分子对接工具做初步筛选,但该方案还属于前沿研究,结果需要生物实验验证,不能直接当作可靠的药物靶点结构。
【参考资料】
[2026-11-18](语言模型推理折叠蛋白质:将 3D 结构融入思维链,超越 AlphaFold3、IsoDDE 与 Claude Opus)机器之心
[2026-11-17](LLM with 3D Chain-of-Thought for Protein Folding)arXiv 预印本
[2026-11-17](Protein Folding by Large Language Models: A Chain-of-Thought 3D Representation Approach)AI Research Newsletter
[2026-11-15](AlphaFold3 与 IsoDDE 蛋白异构体预测能力对比)生物通
[2026-11-12](通用大模型在结构生物学上的能力边界)DeepTech 深科技
【免责声明】
以上内容基于 arXiv 预印本论文、前沿 AI 生物媒体报道整理;该 LLM 思维链蛋白折叠方案属于前沿科研成果,尚未经过大规模工业与湿实验验证,测试优势仅限论文使用的基准数据集;蛋白结构预测结果不能直接替代生物实验,本内容仅为技术资讯解读,不构成新药研发、蛋白改造项目选型建议。
本文来自作者[畴核解码]投稿,不代表江南网立场,如若转载,请注明出处:https://news.jnwb.net/shangye/202611/4486.html
评论列表(4条)
我是江南网的签约作者“畴核解码”!
希望本篇文章《语言模型推理折叠蛋白质将 3D 结构融入思维链,性能超越 AlphaFold3、IsoDDE、Claude Opus》能对你有所帮助!
本站[江南网]内容主要涵盖:互联网行业的追踪与探索
本文概览:这项新研究提出了一套直接用大语言模型做蛋白质折叠的方案,核心思路是把蛋白质 3D 结构信息嵌入模型的思维链推理过程,不再像传统方案那