RFD4-Proteina：解读+实战，流匹配联合生成蛋白序列与全原子结构

本文收录于专栏 开源蛋白生成方法实践 —— 专栏系统覆盖开源蛋白/多肽/抗体生成与设计模型的原理、实战与选型，点击订阅可跟踪后续更新。

你刷到 Baker Lab 与 NVIDIA 联合放出 RFD4-Proteina 的消息，想知道是真跃迁还是又一次换皮发布？这篇把项目页、GitHub、Hugging Face 与预印本 PDF 的一手数字全部核过：约 4.36 亿参数 BSD-3 开源，在 32 维共享潜空间里用流匹配（flow matching）同时生成蛋白序列与全原子结构，覆盖修饰氨基酸、糖、DNA 与 RNA；湿实验端人 TrkA 结合子 158/188 亚微摩尔、lenacapavir 合成连接酶转化率 79%；计算端蛋白结合通过率 10.6% 对 BindCraft 5.9%，吞吐高 42 倍。文中附三代模型对比、机制流水线图与官方安装路径，并校准公众号传播中的三处口径偏差；文末 §6 是 2026-10-26 的本机实测：PyPI 装到第一个 MCSA 酶设计跑通，消费级 GPU 约 90 秒出一条结构，催化 motif 几何与输入一致到 0.01 Å，你读完可以直接判断要不要把它排进自己的设计流程。

关键字：RFD4-Proteina、RFdiffusion、蛋白质设计、流匹配、全原子结构生成、NVIDIA GenAIR、Baker Lab、Diffusers

目录

• §0. 相关教程与核心文献
• §1. 一次发布，两个源头
• §2. 机制：一个 32 维潜空间，两层推理
• §3. 湿实验战报：八类设计任务
• §4. 计算基准：通过率与吞吐双领先
• §5. 信息校准：公众号传播里的口径偏差
• §6. 上手路径与本机实测
• §7. 边界与选型启示
• 参考来源

§0. 相关教程与核心文献

写这篇的动机：消息源多数是二手公众号稿，数字转了两道手。本文所有数字都回到项目页与官方 API 重新核过，核不动的直接标注，转述与实测分开交代。

§1. 一次发布，两个源头

先说清"谁做的、什么时候放的"。一端是华盛顿大学蛋白质设计研究所（Baker Lab / IPD），RFdiffusion 一系的学术源头；另一端是 NVIDIA GenAIR 团队，Proteina 骨架级流匹配模型（2025）的作者群。通讯作者是 NVIDIA 侧的 Kieran Didi 与 Baker 侧的 David Baker，论文四位共同一作（Corley、Didi、Kazman、Brent），作者列表横跨 UW、NVIDIA、清华、AITHYRA 等机构。这不是收购交易，是联合研究加开源权重。

时间线与开源事实（本文 2026-10-25 经 GitHub/HF API 实测）：

一句话定位：它不是"又一个只出蛋白骨干的扩散模型"，也不是 RFdiffusion 换皮——名字里的 RFD 与 Proteina 指向两家各自的前作，产品主张是用流匹配在同一个潜空间里联合生成蛋白序列与全原子结构，并按靶点、酶 motif、配体、核酸等分子语境条件化。

§2. 机制：一个 32 维潜空间，两层推理

做蛋白生成的人常见的痛点：骨干生成模型只画 Cα 骨架，侧链、修饰残基、糖和核酸不在同一个表示里，采样步数固定，约束只能事后过滤。RFD4-Proteina 的回答分三层。

表示层：32 维共享潜空间。 一个自编码器把标准与修饰氨基酸、糖、DNA、RNA 统一编码进约 32 维的"化学+构象"潜空间，并用力场能量做监督，让生成构象物理上合理。这一步是"全原子"与"多分子类型"的根：序列和结构不再分两步走。

采样层：流匹配联合生成。 在潜空间里以流匹配方式同步产出序列与全原子坐标，条件（固定什么、设计什么）由人标注，模型在潜空间里补全。

推理层：内禀加外禀两层"思考"。 官方分法很清晰——内禀推理（intrinsic reasoning）指循环精修（recurrent refinement）按难度自适应分配计算，低/中/高三档 thinking 预设对应每条轨迹 60 步去噪 × 120/180/300 次 trunk 评估（中档默认，前期步骤分配更多）；外禀推理（extrinsic reasoning）指用任意分数（能量或几何准则）引导的推理时搜索。此外项目页还声明：侧链堆积、序列设计、构象采样、设计精修四项任务零样本（不额外训练）达到 SOTA。

对比一下语境：这相当于把"难的多算几轮再搜一遍"做进了生成器本体，而不是生成完再交给下游过滤器。

§3. 湿实验战报：八类设计任务

项目页的湿实验漏斗是这次发布最实的部分（以下均出自项目页，结构图为计算模型，亲和与活性数据为实测）：

两个值得展开的数字。TrkA 158/188：84% 亚微摩尔通过率，且是在"无约束"设定下拿到的；项目页给出的对照是此前最成功战役的 18/60（30%）——这是"生成器变强"而非"挑靶点"能解释的差距。lenacapavir 连接酶：lenacapavir 是 HIV 预防用药，工艺成本限制可及性；设计出的连接酶一步把活化酯接到 (S)-胺上，Design 52 转化 79%（对映体 ®-胺仅 8.8%），Design 58 为 61.7% 对 14.6%。项目页自评这是"从头酶用于原料药合成步骤的首个概念验证"——是步骤级 PoC，不是工艺与监管路径。

§4. 计算基准：通过率与吞吐双领先

项目页在四个基准上把 RFD4-Proteina 与各基线对比（24 个蛋白靶点、77 个小分子靶点、37 个酶任务、3 个 DNA 靶点）：

靶点覆盖上它也是四个基准全部第一：22/24 蛋白、77/77 小分子、35/37 酶、3/3 DNA；小分子次优 RFD3 只解出 64/77。项目页的解释框架值得记住：hallucination 类方法（如 BindCraft）单发质量高但每小时只出几十个设计，生成式模型吞吐高但单发质量低——RFD4-Proteina 主张两头同时占。

thinking 档位是一条可调的质量-吞吐旋钮：从 low 到 high，蛋白结合通过率 7.7% 升到 10.6%，吞吐从 2,388 降到 986 designs/GPU-hour。跑初筛用低档、收尾用高档，是官方设计好的用法。

§5. 信息校准：公众号传播里的口径偏差

二手消息转两道手就会走样。本文逐条对回项目页，发现三处口径偏差加一处无法核实：

这不是挑剔：10.6% 还是 9.8%、42 倍还是 58 倍，直接影响你评估它与自有流程的差距。引用这类刚发布的模型，数字要盯项目页当前版，且注明查询日期。

§6. 上手路径与本机实测

官方上手走 PyPI 一条主线（另有 Diffusers 管线集成 PR #15088，链接见 §0，本文未实测）。本文 2026-10-26 把 PyPI 路线在本机真跑通。环境：Ubuntu 22.04 + Python 3.12 conda 环境 + 消费级 GPU（12 GB 显存，CUDA 13.0 驱动）。

§6.1 安装

conda create -n rfd4 python=3.12 -y
uv pip install --python ~/anaconda3/envs/rfd4/bin/python "rfd4-proteina[all-cuda13]"

实测落位 torch 2.14.1+cu130，依赖共约 7.5 GB（大头是 NVIDIA CUDA 13 库栈），装完 rfd4-generate / rfd4-evaluate / rfd4-train / rfd4-train-ae 四个 CLI 就位。CUDA 12 驱动把 extra 换成 all-cuda12。

国内网络一个绕不开的坑：pip/uv 单流拉 554 MB 的 torch 轮子必断（直连与代理都试过）。可靠做法是先用 aria2c 16 连接把轮子拉到本地，再 uv pip install --find-links <轮子目录>，其余小包走镜像源。

§6.2 权重：两个文件即完整 bundle

nvidia/RFD4-Proteina 根目录的 config.json（7.3 KB）+ model.safetensors（1.74 GB）就是全部，自编码器权重内嵌在 bundle 里，不需要单独下载。校验方法：HF API /api/models/<repo>/tree/main 返回的 LFS oid 字段即官方 sha256——本文实测下载文件的 sha256 与官方 5b549dd6…c68fb0 逐位一致。推理时把 hf_ckpt_path 指向本地目录即可完全离线，不再访问 Hub。

§6.3 最小生成案例：MCSA 酶 motif 条件设计

输入用官方仓自带的 data/benchmarks/mcsa/mcsa_37/M0664_2dhn.cif.zst。这个文件本身值得打开看一眼：它不是完整蛋白，而是一份催化 motif 条件——GLU 与 LYS 两个催化残基的侧链原子坐标（各 9 个原子）+ PH2 蝶呤类配体 + 目标长度标注（180）。模型的任务：围着这个活性位点几何，长出一条完整蛋白。

CLUSTER=local
DATA_PATH=./data_path
rfd4-generate \
  inputs=M0664_2dhn.cif.zst out_dir=run1 \
  num_replicates=1 seed=42 batch_size=1 num_workers=0 \
  compile_lengths=null compress_outputs=false \
  "~metrics" "+metrics.inline_metrics={}" \
  hf_ckpt_path=<本地权重目录>

~metrics 与 +metrics.inline_metrics={} 关掉全部指标评估（不实例化折叠预言机），只跑生成；去掉这两行就需要 OpenFold3/AF2 的容器与权重（约 5 GB 起），不属于最小上手路径。

§6.4 实测数字

几何验证方法需要说明：输出结构的绝对坐标与输入不同（生成配置 center_every_step=1，每步重新居中坐标系），所以比的是 motif 的内部相对构型——在生成结构里搜出与输入参考距离最匹配的 GLU/LYS 对。CA–CA 距离一致到 0.01 Å，说明 motif 条件化是硬约束级别的，不是"大致摆个样子"。

§6.5 踩坑清单（实测记录）

条件化入口是带注释的 CIF（晶体学信息文件，Crystallographic Information File）——把靶点、motif、配体语境写进注释，模型按条件生成。这也是它区别于"纯序列生成器"的使用方式。

§7. 边界与选型启示

读数前的四条边界：一，预印本未经同行评审，方法全文与补充材料以 PDF 为准，数字可能再修；二，项目页与 HF 的结构图是计算模型不是湿实验证据，湿实验证据只有 §3 那张表；三，基准数字与权重版本绑定（§5 的 42 倍对 58 倍就是教训），引用要带日期；四，训练数据在 HF 有数据集入口（nvidia/RFD4-Proteina），完整组分是否全量公开未在页面确认，商用前先核 BSD-3 义务与数据来源。

对国内团队的信号，不在"又多一个开源 checkpoint"，而在验收标准变了：联合序列与全原子条件采样、可核对的湿实验漏斗、BSD 把复现门槛打下来。下一步比的是谁能把同类漏斗写进自己的靶点与工艺步骤——本文 §6 已把官方最小示例真跑通（约 90 秒一条，12 GB 显存的消费级 GPU 即可）；如果你手头有 TrkA 这类成熟 benchmark 靶点，在同一权重下与 BindCraft 对比一轮，是最快建立体感的方式。

参考来源

官方资源（均于 2026-10-25 实测可访问）：

• 项目页：https://rfd4-proteina.org/
• 代码仓：https://github.com/RosettaCommons/RFD4-Proteina
• 权重页：https://huggingface.co/nvidia/RFD4-Proteina 与 https://huggingface.co/nvidia/RFD4-Proteina-Diffusers
• Diffusers 集成 PR：https://github.com/huggingface/diffusers/pull/15088
• NVIDIA GenAIR Proteina 页：https://research.nvidia.com/labs/genair/proteina/
• PyPI：https://pypi.org/project/rfd4-proteina/

文献：

• Corley N, Didi K, Kazman M W, Brent R I, et al. Biomolecular design through latent reasoning with RFD4-Proteina. Preprint, 2026. https://rfd4-proteina.org/assets/paper/RFD4-Proteina.pdf
• Watson J L, et al. De novo design of protein structure and function with RFdiffusion. Nature, 2023. DOI 10.1038/s41586-023-06415-8
• Proteina: Scaling Flow-based Protein Structure Generative Models. arXiv:2503.00710. https://arxiv.org/abs/2503.00710

系列导航：专栏全集 开源蛋白生成方法实践

更多专栏：

我的专栏