Главная / Architecture Guide / Frame diffusion

Frame diffusion

Диффузия residue frames. Established English term: Frame diffusion.

Что это за класс

Определение класса — общее для всех papers и tools с этим architecture_id. Это не карточка одной нейросети. После каждого нумерованного заголовка сначала идёт блок «Общее для класса», затем разбор конкретных статей, как раньше.

Диффузия frames (frame diffusion) задаёт каждый residue не облаком атомов, а жёстким репером $T_i=(R_i,t_i)$: ориентация пептидной плоскости плюс положение Cα (или N–Cα–C). Шум идёт по вращениям (часто IGSO(3) / geodesic) и по трансляциям. Denoiser предсказывает, как поправить кадры. Из чистых frames собирают backbone.

Зачем так, а не сырые xyz. Белковая кинематика ближе к «куда смотрит пептидная плоскость», чем к независимым атомам. Мотив и hotspot удобно зажать как фиксированные frames. Это индуктивный bias RFdiffusion / FrameDiff / RFantibody.

Что на выходе. Backbones (иногда с вспомогательными головами). Sequence почти всегда следующий модуль (ProteinMPNN), не часть того же DDPM, если статья явно не делает joint type-канал.

Чего класс не делает. Не ELISA. Не гарантия, что vanilla protein prior нарисует antibody CDR. Не coordinate-only DDPM и не torsion-on-a-torus. FAPE может быть auxiliary loss у родственников, но не определение класса.

Соседи: coordinate diffusion (xyz), SE(3) networks (слой, не процесс), joint seq–struct diffusion (ещё и типы аминокислот в том же reverse).

Дальше разделы: сначала общая механика класса, затем papers каталога (RFdiffusion, FrameDiff, RFantibody).

Frame diffusion моделирует каждый residue как элемент SE(3): ориентация + трансляция. Это generator геометрии остова, обычно с отдельным inverse folding для sequence (ProteinMPNN). Не predictor affinity.

1. Область определения

Общее для класса

Этот пункт фиксирует роль класса в пайплайне и границу с соседями. Класс оперирует геометрией (координаты, frames, углы) или парой sequence+structure. Краткая seed-формула: «Каждый residue задаётся локальным SE(3) frame (ориентация + translation). Диффундируют вращения и смещения, что лучше соответствует белковой кинематике, чем сырые координаты». Что метод выдаёт или оценивает: «Clean residue frames → backbone reconstruction». Вход: «Noisy residue frames; optional sequence; contig/hotspot maps». Задачи каталога, которые класс закрывает: de-novo-backbone-generation; cdr-backbone-generation; de-novo-antibody-design. Явно не для: humanization. Дальше по разделу — какие tools имеют этот architecture_id и какие постановки нельзя смешивать.

[INTERPRETATION]Класс backbone structure generators на residue frames. Задачи: de novo backbone, CDR backbone, de novo antibody как в RFantibody. Sequence обычно следующий модуль (MPNN), не тот же denoiser.

2. Интуитивный принцип

Общее для класса

Общий механизм Frame diffusion: что меняется за один шаг inference и за счёт какого inductive bias метод может работать. «Каждый residue задаётся локальным SE(3) frame (ориентация + translation). Диффундируют вращения и смещения, что лучше соответствует белковой кинематике, чем сырые координаты». Главный эмпирический рычаг класса — шум train, число шагов sampler, какие frames/coords зажаты; это не «магия одной статьи». Для Frame diffusion внутренние числа модели (likelihood, score, acquisition, pLDDT, DockQ, predicted $\Delta\Delta G$) не являются экспериментальным affinity / $K_d$ / ELISA / BLI, пока это явно не измерено вне сети. Абзацы ниже — как принцип формулируют конкретные papers, не определение всего класса.

[INTERPRETATION]Шум на вращениях и смещениях кадров, согласованный с кинематикой цепи лучше, чем независимый Gaussian по всем атомам без кадров. Denoiser (часто SE(3)-equivariant, RoseTTAFold-derived в RFdiffusion) предсказывает более чистые frames. Motif/framework/target frames можно зажать.

3. Формальная математическая постановка

Общее для класса

Сначала родовая математика класса (что оптимизируют / что семплируют), общая для реализаций с этим id. Seed-запись: «SO(3)×R³ diffusion: translations — Gaussian, rotations — IGSO(3) или geodesic random walk. Denoiser предсказывает frame updates». Подтипы имеют отдельные уравнения: нельзя переносить diffusion score, UCB, AR NLL, FAPE или MLM $\Delta\ell$ на эту страницу, если это не её train target. Формулы с пометкой tool-specific относятся к одному инструменту. Ниже — разбор papers по подтипам.

[PAPER]Не использовать UCB и не копировать DiffAb KL-on-amino-acids сюда: sequence в RFantibody назначается ProteinMPNN после backbone. Nature RFantibody pipeline narrative

$$g_i=(R_i,t_i)\in \mathrm{SE}(3),\quad R_i\in\mathrm{SO}(3),\; t_i\in\mathbb{R}^3$$

[INTERPRETATION] generic. Локальный residue frame. Generic.

Символ	Тип	Определение
$R_i$	3×3 rotation	ориентация N-Cα-C кадра
$t_i$	R^3	трансляция (часто Cα)

$$q(g_t\mid g_0)=q_{\mathrm{SO}(3)}(R_t\mid R_0)\,q_{\mathbb{R}^3}(t_t\mid t_0)$$

[INTERPRETATION] generic. Факторизованный forward на вращениях и трансляциях. Конкретное IGSO(3) vs geodesic — tool-specific; для RFantibody exact schedule NR без Methods.

4. Представление данных

Общее для класса

Класс читает «Noisy residue frames; optional sequence; contig/hotspot maps». Нужно отличать тензор сети (координаты / frames / torsions, time, masks, иногда discrete type-канал) от внешнего файла (PDB, contig, hotspot, antigen chain). Размерности и аугментации без paper/code остаются NR. Дальше — как это кодируют конкретные реализации.

NRNoisy frames; contig/hotspot maps; target coordinates; fixed framework frames. Pair/distogram heads могут быть auxiliary у RF-like denoiser — точные тензоры RFantibody fine-tune NR без SI.

5. Физическое представление

Общее для класса

Математический объект класса соответствует такому физическому state: «Clean residue frames → backbone reconstruction». Перестановка residues, склейка цепей и глобальный поворот ломают разные инварианты — это свойство представления. Промежуточный noisy state ≠ MD-траектория и ≠ энергия. Side chains либо в state, либо pack post-hoc, либо отсутствуют. Ниже papers фиксируют, какой вариант они выбрали.

[INTERPRETATION]Frames ↔ backbone atoms. Side chains появляются после sequence design+packing/relax, не обязательно в diffusion state. SE(3) equivariance: поворот всего комплекса согласованно вращает векторные признаки; это inductive bias, не термодинамическая устойчивость.

6. Физико-химический смысл

Общее для класса

Какие физико-химические оси класс вообще может «видеть». Этот класс — backbone / frames / атомы в том разрешении, которое есть в state; не автоматически $\Delta G$. H-bonds, электростатика, растворитель, энтропия и experimental affinity отсутствуют, пока нет явной energy / assay головы: модель тогда не считает $\Delta G$. Таблица ниже — как конкретные методы кодируют эти оси; строка про один tool не обобщается на класс.

Признак или операция модели	Физико-химическая интерпретация	Прямо / косвенно / внешне	Важное ограничение
SE(3) frames	жёсткий локальный остов residual	прямо	гибкость loop не равна MD
Hotspot residues	желаемый epitope contact	conditioning (RFantibody)	ошибка mapping почти фатальна
H-bonds / electrostatics	не explicit в diffusion	не представлены или лишь статистика train	RF2/AF3 confidence ≠ affinity

7. Что обучается

Общее для класса

Общий train target класса: «Score matching on SE(3), often with auxiliary sequence or distogram heads». Нужно назвать, какие модули обучаются, какие frozen (PLM, MSA, RoseTTAFold trunk), и есть ли в loss negative / non-binder / affinity labels. Если в постановке класса labels нет — ответ «нет», даже если кто-то доучивает голову в приложении. Fine-tune vs pretrain различается объектом (PDB identities, SAbDab, assay $y$), не маркетингом. Детали сплитов — в подразделах papers.

[PAPER]Denoising score / frame updates на структурных данных (general then antibody fine-tune для RFantibody). MPNN CE — отдельная модель. RF2 — predictor losses, не generator. RFantibody Nature: Ab-finetuned RFdiffusion → MPNN → Ab-finetuned RF2

8. Прямой проход и information flow

Общее для класса

Прямой проход класса: шум или частичная структура → denoiser / decoder → coords/frames → часто отдельный inverse folding, pack, AF. Чужие блоки (pack, AlphaFold, docking, ELISA) нельзя прятать внутрь «одной сети». Схема ниже, если есть, — оригинал по прочитанным источникам, не копипаст figure. Затем — где у tools generator, а где evaluator.

flowchart TD
  TGT["Target + hotspots"] --> RF["Ab-finetuned RFdiffusion denoiser"]
  FW["Fixed framework frames"] --> RF
  RF --> BB["CDR backbone frames"]
  BB --> MPNN["ProteinMPNN sequence"]
  MPNN --> RF2["Ab-finetuned RF2 filter"]
  RF2 --> RANK["Confidence / self-consistency"]

Оригинальная схема workflow RFantibody, не копия Nature figure. Источник схемы: Nature 10.1038/s41586-025-09721-5 narrative

9. Training procedure

Общее для класса

У класса нет единого корпуса. Типичные данные: структуры PDB / SAbDab / complexes; фильтры resolution и redundancy — у реализации, не у класса. Split и leakage — свойства датасета реализации. Не выводить split из README. Не смешивать in silico designability с prospective wet-lab. Ниже каждый paper описывает свой корпус; нет цифры = NR.

NRGeneral RFdiffusion pretrain (Watson et al.) + antibody fine-tune (RFantibody). Точные corpora, splits, число steps — NR без Methods/SI.

10. Inference and generation

Общее для класса

Общий inference класса: «Reverse SE(3) process; motif frames clamped». Старт — шум / partial structure / contig. Pack / relax / AF / likelihood rerank помечаются как evaluator, не generator. Чего в классе нет (beam, recycle, assay-in-the-loop), пока tool явно не добавляет, — тоже общее свойство. Число шагов $T$, temperature, $k$ — tool-specific, если не оговорено.

[PAPER]Несколько diffusion trajectories; MPNN samples на backbone; RF2/AF3 ranking. Recycles RF2 — predictor inference. Relax/MD если есть — отдельные модули. Default T steps RFantibody — NR здесь.

11. Conditioning

Общее для класса

Что класс умеет зажимать по постановке: «Fixed frames, target coordinates, symmetry copies». contig / motif / hotspot / antigen frames; ELISA labels не являются conditioner, пока нет такой головы. Contig, mask, motif, hotspot и library — разные объекты. Ниже papers перечисляют свой conditioner без переноса с соседа.

[PAPER]Clamped target и framework; hotspot constraints; contig CDR lengths; VHH vs scFv format. Нет affinity classifier guidance в описанном pipeline.

12. Вычислительная сложность

Общее для класса

Драйверы стоимости класса: «N residues; T steps; equivariant network width». Сравнение «дешевле diffusion» допустимо только если paper дал NFE/steps; иначе это INTERPRETATION или молчание. GPU hours / wall-clock без источника — NR. Цифры одной кампании не становятся сложностью всего класса.

N residues designed + context
T diffusion steps (NR численно для Ab fine-tune)
Число trajectories × MPNN sequences × RF2

13. Преимущества

Общее для класса

Преимущества должны следовать из механизма класса (цикл с малым бюджетом, локальный граф, joint prior…), не из маркетинга. Seed-список: «Естественная модель backbone; Хорошая база для RFdiffusion-like design». Любое количественное число ниже обязано иметь PAPER/SI locator и не обобщается с одного белка на класс. Это не гарантия стабильности, аффинности или экспрессии.

[PAPER]Кадровое представление естественно для peptide geometry. Fine-tune на antibody loops адресует failure vanilla protein prior на CDR (ограничение, названное авторами RFantibody относительно miniprotein pipelines). Equivariance снижает ориентационный overfitting. Не гарантирует hit rate.

14. Ограничения

Общее для класса

Ограничения класса по осям: математика представления, физика/химия, bias данных, обобщение, deployment. Seed-список: «Sequence обычно отдельным этапом; Loop geometry для antibodies требует fine-tune». Не дублировать преимущества с обратным знаком без новой информации. Ниже papers добавляют конкретные дыры (SI, split, gated weights).

Sequence decoupled (если MPNN отдельно)
Framework fixed в RFantibody
Низкий hit rate vs miniproteins (авторски)
Humanness CDR не оптимизируется генератором

15. Failure modes

Общее для класса

Типичные ошибки пользователя и модели для этого класса: неверный contig/hotspot, pLDDT как binder, забытый inverse folding. Seed-список: «Broken peptide geometry; Vanilla protein prior on CDR loops». Это не общие «может не сработать». Дальше — как эти режимы проявлялись в конкретных работах каталога.

Broken peptide bonds / clashes
Неверный hotspot
False confidence RF2/AF3
Mode collapse CDR length

16. Реализации в инструментах

Общее для класса

Реализации класса в каталоге определяются reverse index architecture_id, а не похожестью названия. Колонки таблицы: generic architecture vs tool-specific. Непрочитанный tool — строка с NR, без выдуманных уравнений. Foundational methods вне карточек tools можно указать явно. Неравные кампании не ставят в одну колонку «успех». Список ссылок на tools повторяется служебным блоком после нумерованных разделов.

Tool	Generic	Specific	Отличие
RFdiffusion	SE(3) frame diffusion	general proteins / binders	не antibody-fine-tuned
RFantibody	тот же класс + Ab fine-tune	CDRs on fixed FW + MPNN + RF2	prospective VHH/scFv
FrameDiff	frame diffusion literature	не инспектирован code в этом выпуске	не путать checkpoint

17. Где применимо и где не применимо

Общее для класса

Класс уместен для задач: de-novo-backbone-generation; cdr-backbone-generation; de-novo-antibody-design. Не уместен: humanization. Ссылки на workflows имеют смысл, только если стадия реально вызывает этот класс как generator/scorer, а не как соседний модуль. Чем пользоваться вместо запрещённой задачи — соседний architecture / workflow, не «тот же GNN». Ниже — разбор papers и явные запреты, затем служебные списки каталога.

[INTERPRETATION]de-novo-antibody-rfantibody. Не humanization-only. Не few-shot mutation AL.

18. Методологические источники

Общее для класса

Этот раздел — какие работы определяют класс и какие карточки papers каталога к нему привязаны, что прочитано vs pointer-only. Идентификаторы каталога: paper-rfdiffusion; paper-framediff; paper-rfantibody. Это не библиография «всего по теме». Таблица происхождения источников, paywall и статус сверки вынесены в конец страницы, чтобы не заслонять определение класса.

[PAPER]Watson et al. 2023 RFdiffusion; Yim FrameDiff; Nature RFantibody 2025/26.

Инструменты, использующие подход

FrameDiff, RFantibody, RFdiffusion

Где применимо

De novo генерация backbone, Генерация CDR backbone, De novo antibody design

Где не стоит использовать

Humanization

Papers каталога

De novo design of protein structure and function with RFdiffusion, SE(3) diffusion model with application to protein backbone generation, Atomically accurate de novo design of antibodies with RFantibody

Подтипы класса

IGSO(3) frame diffusion

Статус сверки источников

Недоступные или неполные источники

Источник	Почему недоступен	Что использовано вместо
Watson et al. RFdiffusion Nature/bioRxiv full Methods	Не перечитаны целиком в выпуске 9	Nature RFantibody HTML (pipeline description); класс SE(3) frames из seed + RFantibody paper narrative
Yim et al. FrameDiff full paper	Не читался в этом выпуске	страница FrameDiff остаётся not_started на уровне tool

Происхождение источников

Метка	Источник	Ссылка	Примечание
[PAPER]	Bennett, Watson et al. Atomically accurate de novo design of antibodies with RFdiffusion. Nature 10.1038/s41586-025-09721-5	https://doi.org/10.1038/s41586-025-09721-5	HTML Nature просмотрен ранее; Methods/SI не полностью
[PAPER]	Watson et al. De novo design of protein structure and function with RFdiffusion. Nature 2023 (foundational RFdiffusion)	NR	Не close-read здесь; только как foundational pointer

Методологические источники

[1] Bennett N., Watson J.L. et al. Atomically accurate de novo design of antibodies with RFdiffusion. Nature. DOI 10.1038/s41586-025-09721-5 · DOI · источник
[2] Watson et al. De novo design of protein structure and function with RFdiffusion. Nature 2023. · DOI
[3] RosettaCommons/RFantibody (commit в этом проходе: fetch timeout — NR SHA) · источник

Нерешённые научные вопросы

Точный noise schedule и число шагов Ab-RFdiffusion
RFantibody repo commit SHA (API timeout)
SI cryo-EM statistics полностью