FrameDiff

FrameDiff SE(3) diffusion

ICML 2023 main track (A*)

Summary card

Поле	Значение
Год / version	2023 / NR
Last verified	2026-08-13
Что генерирует	Protein backbone
Форматы	Monomer backbones (reported up to 500 aa)
De novo или optimization	De novo
DOI	NR
Paper	https://proceedings.mlr.press/v202/yim23a.html
GitHub / repo	https://github.com/jasonkyuyim/se3_diffusion
Service / docs	NR
Лицензия	MIT (repository); bundled dependency terms apply
Доступность / commercial-use	Code

Задача и generated object

Used in these tasks: De novo генерация backbone

Part of these workflows: De novo backbone → inverse folding

Поле	Значение
Required input	Length specification
Conditioning	Primarily length; research implementation
Fixed	NR
Editable	NR
Generated	Protein backbone
Single mutations	No
Combinatorial mutations	Sequence must be added externally
Multi-objective	No

Architecture and operating principle

Author-reported (matrix)

Поле	Значение
Base architecture	NR
Model type	3 Backbone/structure generator
Representation	NR
Generation unit	Protein backbone
Conditioning	Primarily length; research implementation
Output	Protein backbone
Sampling	NR
Internal scorer	Designability metrics only
Structure generation	No

Input representation

Поле	Значение
Node features	NR
Edge / pair features	NR

Encoder и decoder

Поле	Значение
Encoder	NR
Decoder	NR

Latent or generative state

Conditioning mechanism

Primarily length; research implementation

Generation mechanism

SE(3) diffusion / score model over residue frames

Sampling: NR

Training objectives

Losses: NR

Mathematical details: NR

Integrated evaluation

Designability metrics only

Architectural limitations

Backbone-only research baseline.
no functional conditioning or prospective evidence.
repository maintenance risk.

Uses these architecture components: Frame diffusion, SE(3)-equivariant networks

Generator versus evaluation

Component	Role	Architecture class	Integrated or external	Required or optional	Influences generation or post hoc	Runtime included or excluded
FrameDiff	primary_generator	SE(3) diffusion / score model over residue frames	integrated	required	generation	included
Designability metrics only	integrated_scorer	NR	integrated	optional	post_hoc	unknown
ProteinMPNN + structure prediction/self-consistency	mandatory_external_dependency	NR	external	required	post_hoc	excluded
Experimental binding/function assays	experimental_validation	NR	external	required	post_hoc	excluded

Training data и biases

Поле	Значение
Training data	NR
Preprocessing	NR
Negative examples	NR
Fine-tuning	NR
Label requirements	NR
Training hardware	NR
Training time	NR

Inference hardware и runtime

Поле	Значение
Candidate count	NR
Batch size	NR
Generation steps	NR
Recycles	NR
Size	NR
Reported runtime	NR
Runtime boundary	NR
CPU	NR
GPU	NR
VRAM	NR
RAM	NR
Disk	NR
Databases	NR

Experimental evidence

Поле	Значение
Evidence class	1 in silico generation/evaluation
Retrospective	No prospective wet-lab validation in primary paper
Prospective binding	NR
Prospective function	NR
Developability	NR
Tested design count	No prospective wet-lab validation in primary paper
Success criterion	Computational designability and novelty
Independent validation	NR
Summary	Computational designability and novelty

Limitations and failure modes

Backbone-only research baseline.
no functional conditioning or prospective evidence.
repository maintenance risk.

Deployment: Research-only

Reproducibility, license, commercial use

Поле	Значение
Repo	https://github.com/jasonkyuyim/se3_diffusion
License	MIT (repository); bundled dependency terms apply
Commercial-use status	Code

Alternative tools: NR

Complementary: NR

Related: NR

Not directly comparable with

AntiFold, Efficient evolution with ESM-1v, ESM-IF1, EvoDiff, LigandMPNN, ProGen / ProGen2, ProteinMPNN, Structural evolution (ESM-IF1 complex)

Сравнение допустимо только внутри совместимых категорий. Runtime и quality AntiFold vs RFantibody нельзя читать как одну шкалу: разные starting points и generated objects.

Depends on these external modules

Primary paper и полный список источников

SE(3) diffusion model with application to protein backbone generation

Source matrix: landscape xlsx, last verified 2026-08-13.

Детальный source-grounded разбор

1. Что именно делает инструмент

[MATRIX]Вход: Length specification

[MATRIX]Generated object: Protein backbone

[MATRIX]Фиксируется: NR. Изменяется: NR.

[MATRIX]De novo или parent-based: De novo.

2. Архитектура в одном абзаце

[MATRIX]SE(3) diffusion / score model over residue frames

4. Математическая модель

NRТочные уравнения, losses и sampling solver будут внесены после чтения paper/code. Не подставляйте родовой UCB/transformer/diffusion, если он не подтверждён для этого инструмента.

Поля NR: conditional probability, update equations, sampling algorithm

5. Физическое устройство состояния

[MATRIX]Seed generated state / output: Protein backbone. Structure generation: No.

6. Физико-химическая интерпретация

[INTERPRETATION]Координаты, frames, PLM embeddings или residue tokens не являются расчётом ΔG, электростатики или растворителя, пока это не сделано внешней energy function. Likelihood / pLDDT / docking score ≠ экспериментальный binding.

7. Training

[MATRIX]Данные: NR. Fine-tuning: NR. Negative examples: NR.

8. Inference

[MATRIX]Sampling: NR. Generation steps: NR. Runtime boundary: NR.

10. Почему, по мнению авторов, метод эффективен

[MATRIX]Author-reported summary (матрица): Computational designability and novelty

NRCausal support не классифицирован, пока не прочитаны ablation и experimental sections.

12. Ablation analysis

NRAblation в этом выпуске не разобрана.

13. What the model does not represent

Явный растворитель и ионная сила — обычно отсутствуют в генераторе.
Протонирование, гликозилирование, кофакторы — обычно отсутствуют, если не оговорено.
Конформационная энтропия и долгая динамика — не моделируются одним forward pass.
Экспрессия, агрегация, иммуногенность — не равны likelihood генератора.
Истинная binding free energy — не равна internal score.

14. Evidence and limitations

[MATRIX]Evidence class (матрица): 1 in silico generation/evaluation. Prospective binding: NR. Function: NR. Developability: NR.

Backbone-only research baseline.
no functional conditioning or prospective evidence.
repository maintenance risk.

15. Reproducibility

NRРепозиторий: https://github.com/jasonkyuyim/se3_diffusion. Лицензия: MIT (repository); bundled dependency terms apply. Commit: NR, пока страница не имеет отдельного analysis YAML.

Модульная схема

Модуль	Класс модели	Вход	Выход	Обучается или frozen	Generator или evaluator
FrameDiff	SE(3) diffusion / score model over residue frames	NR	NR	NR	primary_generator
Designability metrics only	NR	NR	NR	NR	integrated_scorer
ProteinMPNN + structure prediction/self-consistency	NR	NR	NR	NR	mandatory_external_dependency
Experimental binding/function assays	NR	NR	NR	NR	experimental_validation

Generator versus evaluator

Компонент	Роль	Integrated или external	Required или optional	Влияет на generation или только ранжирует после
FrameDiff	primary_generator	integrated	required	generation
Designability metrics only	integrated_scorer	integrated	optional	post_hoc
ProteinMPNN + structure prediction/self-consistency	mandatory_external_dependency	external	required	post_hoc
Experimental binding/function assays	experimental_validation	external	required	post_hoc

Claim–evidence matrix

Утверждение	Предполагаемый механизм	Тип evidence	Датасет / эксперимент	Comparator	Метрика / результат	Источник	Оговорка
Computational designability and novelty	SE(3) diffusion / score model over residue frames	2. retrospective benchmark	No prospective wet-lab validation in primary paper	NR	Computational designability and novelty	[MATRIX] landscape matrix 2026-08-13	Не читать как полный разбор primary paper.