- 2 次围观
协同折叠模型能够准确预测生物分子复合物，但其内部表征如何支持联合结构预测仍不清楚。我们通过将 Boltz-1 主干网络中的成对表征分解为链内模块和链间模块，并结合消融实验、逐层表征几何分析以及激活修补，对其进行分析。结果表明，结构信息分布于三个信息流中：单一表征承载令牌内部的原子级细节，链内成对表征编码链级几何结构，而链间成对表征则控制分子间的相对排列。在主干网络的深度方向上，表征呈现出“混合—压缩—细化”（Mix-Compress-Refine）的演化轨迹；与此同时，线性探针分析显示，链内距离信息主要由 MSA 预处理提供，而链间距离信息则在每次循环的 Pairformer 层中逐步构建。Apo-holo 修补实验进一步表明，配体诱导的骨架变化在扩散过程开始前并未得到完全解析；相反，扩散模块对部分不一致的链内约束和链间约束进行协调。上述发现从机制层面揭示了协同折叠主干网络如何组织结构信息，并为未来生物分子结构预测模型采用更具分区感知能力的设计提供了启示。
wooyoun{at}kaist.ac.kr
摘要
信息/历史
指标
PDF 预览
摘要
协同折叠模型能够准确预测生物分子复合物，但其内部表征如何支持联合结构预测仍不明确。我们通过将 Boltz-1 主干网络中的成对表征分解为链内区块和链间区块，并结合消融实验、逐层表征几何分析及激活修补，对其进行了分析。结果表明，结构信息分布于三个信息流中：单一表征承载标记内部的原子级细节，链内成对表征编码链级几何信息，而链间成对表征控制分子间的相对排列。在主干网络的深度方向上，表征遵循“混合—压缩—精炼”（Mix-Compress-Refine）轨迹；与此同时，线性探针分析显示，链内距离信息主要由 MSA 预处理提供，而链间距离信息则在每次循环中的 Pairformer 层中逐步构建。Apo–holo 修补实验进一步表明，配体诱导的主链变化在扩散过程之前并未得到完全解析；相反，扩散模块对部分不一致的链内约束和链间约束进行协调。这些发现从机制层面揭示了协同折叠主干网络如何组织结构信息，并为未来生物分子结构预测模型中更加关注表征分区的设计提供了启示。
利益冲突声明
已声明的资助信息
韩国国家研究基金会，
https://ror.org/013aysd81
，RS-2023-00257479
韩国国家信息技术产业促进机构
，PJT-26-100009
版权
本预印本的，允许其永久展示该预印本。
该预印本依据
CC-BY 4.0 国际许可协议
提供。
返回顶部
上一篇
下一篇
发布于 2026 年 9 月 8 日。
下载 PDF
电子邮件
感谢您有兴趣传播 bioRxiv 的相关信息。
您的电子邮件地址
*
您的姓名
*
发送至
*
请输入多个地址，每行一个，或使用逗号分隔。
您即将发送以下内容
协同折叠模型如何组织结构信息？
Minha
Park
、
Shinwoo
Kim
、
Seokhyun
Moon
、
Hyeongwoo
Kim
、
Gyuho
Jeon
、
Woo Youn
Kim
bioRxiv
2026.09.06.749739；
doi：
https://doi.org/10.64898/2026.09.06.749739
分享
感谢您有兴趣传播 bioRxiv 的相关信息。
您的电子邮件地址
*
您的姓名
*
发送至
*
请输入多个地址，每行一个，或使用逗号分隔。
您即将发送以下内容
协同折叠模型如何组织结构信息？
邮件主题
（您的姓名）已从 bioRxiv 向您转发了一个页面
邮件正文
（您的姓名）认为您可能会有兴趣查看 bioRxiv 网站上的这一页面。
您的个人留言
验证码
此问题用于测试您是否为人类访客，并防止自动垃圾邮件提交。
分享
协同折叠模型如何组织结构信息？
Minha
Park
、
Shinwoo
Kim
、
Seokhyun
Moon
、
Hyeongwoo
Kim
、
Gyuho
Jeon
、
Woo Youn
Kim
bioRxiv
2026.09.06.749739；
doi：
https://doi.org/10.64898/2026.09.06.749739
分享本文：
复制
引用工具
协同折叠模型如何组织结构信息？
Minha
Park
、
Shinwoo
Kim
、
Seokhyun
Moon
、
Hyeongwoo
Kim
、
Gyuho
Jeon
、
Woo Youn
Kim
bioRxiv
2026.09.06.749739；
doi：
https://doi.org/10.64898/2026.09.06.749739
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.06.749739v1?rss=1
🏷️ 协同折叠模型 生物分子结构预测 成对表征 表征学习 激活修补 扩散模型