不改权重也能提升 AlphaFold 3：研究智能体重组 MSA 改善复合物预测

导语

AlphaFold 3 的复合物结构预测能力，不只取决于模型本身，也取决于输入的多序列比对（MSA）如何组织。传统流程往往采用相对固定的策略：尽可能扩大 MSA 深度，并按照物种信息将不同链的序列进行配对。但对于蛋白质复合物而言，这种“一套配方走天下”的做法未必适用，跨链配对是否有益甚至仍存在争议。

这项工作提出了一种不同思路：不修改 AlphaFold 3 的模型权重，而是让一个自主研究智能体在测试时重新设计 MSA。研究者将冻结的 AlphaFold 3 视为黑盒实验仪器，由智能体提出生物学假设、整理候选序列，再根据模型输出的无标签信号不断调整实验方案。

核心要点

• MSA 设计被视为靶点特定问题。 研究结果显示，序列深度和跨链配对的价值会随复合物接口而变化，因此没有一种固定配置能够在所有目标上达到最佳效果。
• 智能体进行迭代式实验。 它并非简单压缩或扩大 MSA，而是分析序列关系，重新选择输入内容，并尝试配对、减少配对甚至刻意不配对等策略。
• 性能与效率同时改善。 在三个、且发布时间晚于 AlphaFold 3 训练截止时间的基准上，该方法的整体界面 DockQ 均优于默认流程和固定 MSA 配方；平均使用的 MSA 序列数量比默认流程少约 60%。
• 跨物种异源复合物收益更明显。 当不同链来自不同物种时，单纯依赖物种信息进行配对更容易失效。FoldBench 上的平均 DockQ 从 0.465 提升至 0.612，HD439 上则从 0.482 提升至 0.562。

意义与影响

这项工作的关键价值，不只是得到更高的 DockQ，而是改变了对 AlphaFold 3 输入准备环节的理解。过去，MSA 常被当作一次性预处理步骤，重点是尽可能收集更多序列；这项研究则表明，MSA 更像是针对具体科学问题设计的实验条件。更多序列并不自动等于更多信息，错误或不合适的跨链配对也可能给模型带来干扰。

研究还展示了“测试时研究”的潜力：基础模型保持不变，智能体通过提出假设、调用模型、读取置信信号并修正策略来获得改进。这种方式不需要重新训练模型，理论上也更容易迁移到资源受限或需要快速尝试的结构预测场景。

当然，现有结果主要说明 MSA 组织策略具有适应性价值，并不意味着智能体已经解释了所有蛋白质相互作用机制。其效果仍依赖候选序列质量、模型反馈以及具体目标。未来若能进一步明确哪些生物学特征会触发某种配对策略，这类自动化实验或许能从经验性搜索走向更可解释的结构预测流程。

来源：Hugging Face Daily Papers