英伟达RFD4-Proteina用奖励引导搜索联合生成蛋白质序列与结构
英伟达与华盛顿大学医学院蛋白质设计研究所联合开发的RFD4-Proteina将推理时搜索用于蛋白质设计：模型生成候选结构后，调用OpenFold3等外部结构预测器评分，保留并分支有前途的部分状态继续迭代。同时，该模型将序列生成与全原子结构生成合并为一步，取消了此前需要ProteinMPNN单独做逆折叠的交接。
蛋白质设计本质上是一个组合搜索问题。一个八残基序列有超过250亿种可能，一百个残基的组合数超过可观测宇宙的原子总数。穷举不可能，所以关键在于知道往哪里看。英伟达2026年10月21日发布的RFD4-Proteina（与华盛顿大学医学院蛋白质设计研究所联合开发）给出的答案是：用推理时搜索聚焦计算资源。
搜索循环的具体过程是：模型先去噪生成轨迹得到候选结构，然后由外部评估器打分，保留并分支有前途的部分状态，继续迭代直到满足生成标准。评估器包括OpenFold3结构预测器和TMol物理打分器等领域专用工具，通过CUDA加速集成到搜索循环中。奖励信号可以是几何指标、相互作用能量或独立预测置信度。
架构上，RFD4-Proteina做了一个具体的简化：将序列和全原子结构在同一个自编码器解码器中联合生成，取消了此前Proteina-Complexa等方案中需要单独调用ProteinMPNN做逆折叠的交接步骤。作者报告称，残基级隐空间表示（而非原子级）加上将扩散采样从约400步压缩到60步，使该模型在200残基长度下比RFD3快3.8倍、峰值内存减少84%。这些数字是厂商自报基准，未经独立复现。作者自己也在教程中注明：OpenFold3的pLDDT分数衡量的是对结合体的预测置信度，不是结合证据本身，需要单独检查界面和重折叠指标。