用途
本技能用于指导选择正确的蛋白质结合体设计工具，适用场景包括：（1）在 BoltzGen、BindCraft 或 RFdiffusion 之间做选择；（2）规划蛋白质结合体设计流程。资料核心观点是：没有单一工具对所有目标都最好，命中率强烈依赖目标，因此应按目标类型、想要控制的内容以及可用算力来选型。
主要能力与工具对比
资料给出一个基于同靶标头对头竞赛的信号。在 Adaptyv Nipah de novo 目标上，公开结果显示：Mosaic（梯度、多模型）测试 9 个、得 8 个 binder，命中率 89%；ProteinMPNN 混合测试 28、得 7，命中率 25%；RFdiffusion 测试 60、得 13，命中率 22%；BindCraft 测试 98、得 7，命中率 7%；BoltzGen 测试 182、得 6，命中率 3%。资料强调 Mosaic 在该次比较中命中率最高，但样本小且经过专家调优，排名在其他目标上会变化，这种目标依赖性对所有方法都成立，不能先验地知道哪个方法在新目标上会胜出，因此这不是固定排行榜。
各工具要点：BoltzGen——全原子、单步、开箱即用，适合最低工作量的默认选择与配体结合，弱点是回路中只有一个模型、每设计算成本中等。Mosaic——可组合多模型目标函数、在困难头对头中胜出，适合困难或重要目标与专家使用，需要调优且仅本地 JAX 运行。BindCraft——端到端、内置 AF2 验证，适合生产级活动，多样性较低。RFdiffusion——多样性高，适合探索，需要 ProteinMPNN，且不在 biomodals 中。Germinal——抗体与纳米抗体格式，适合 scFv / VHH 设计，但较为挑剔。
资料还给出每设计算成本（Adaptyv 在 7 个目标上的平均，按目标有数倍波动）：RSO 约 $0.15，RFdiffusion 约 $0.25，Mosaic 约 $0.55，ESMFold2 inversion 约 $0.85，mBER 约 $1.40，Germinal 约 $1.60，BoltzGen 约 $1.80，BindCraft 约 $2.90。每设计算成本不等于获得 binder 的成本，后者还取决于目标命中率。梯度方法（RSO、Mosaic）每设计便宜但需要设置与调优；BoltzGen 与 BindCraft 每设计更贵但开箱即用，优势在于低人力投入而非最低算力成本。
使用方式（决策与示例流程）
选择起点可按决策树：最低成本/工作量到可测试设计 → BoltzGen（默认）；困难/重要目标且可投入调优 → Mosaic（梯度、多模型）；配体/小分子结合 → BoltzGen（全原子）；多样性/探索 → RFdiffusion + ProteinMPNN；端到端且内置验证 → BindCraft；抗体/纳米抗体（VHH）→ germinal 技能（biomodals 中还有 mber、iggm）。无论用哪种生成器，都用 boltz 或 chai 验证，并用 ipsae 排序。其他 biomodals 支持的选项：modal_rso.py（Rejection Sampling Optimization，基于 AlphaFold 的梯度方法）用于 minibinders，modal_mber.py 用于 VHH 纳米抗体。
示例流程 BoltzGen → Chai → QC：BoltzGen 提供全原子设计并内置侧链包埋。流程为 Target（pdb）→ BoltzGen（all-atom）→ Validate（chai）→ Filter（qc）。步骤 1 目标准备：从 PDB 获取结构（可参考 pdb 技能），修剪到结合区域加 10A 缓冲，移除水和配体，必要时重编号链。步骤 2 热点选择：选择 3-6 个暴露残基，偏好带电/芳香族残基，空间上聚集（10-15A 内）。步骤 3 用 BoltzGen 设计：先创建 YAML 配置文件（如 binder.yaml），内容示例：
entities:
-
protein: id: B sequence: 70..100
-
file: path: target.cif include: - chain: id: A binding_types: - chain: id: A binding: 45,67,89
然后运行：
modal run modal_boltzgen.py
--input-yaml binder.yaml
--protocol protein-anything
--num-designs 50
选择 BoltzGen 的原因：全原子输出（无需单独的 ProteinMPNN 步骤）、更适合配体/小分子结合、单步设计（骨架+序列+侧链）。
替代方案 RFdiffusion 流程：当需要最大多样性或偏好仅骨架时。步骤 1 骨架生成（RFdiffusion，从官方仓库运行）：
python run_inference.py
inference.input_pdb=target.pdb
contigmap.contigs=[A1-150/0 70-100]
ppi.hotspot_res=[A45,A67,A89]
inference.num_designs=500
步骤 2 序列设计：
modal run modal_ligandmpnn.py
--input-pdb backbone.pdb
--params-str "--number_of_batches 16 --temperature 0.1"
步骤 5 验证：
modal run modal_chai1.py
--input-faa sequences.fasta
--out-dir predictions/
步骤 6 过滤：应用标准阈值，pLDDT > 0.80、ipTM > 0.50、PAE_interface < 10、scRMSD < 2.0 A，详见 protein-qc 技能。
设计数量参考：骨架生成 500-1000（多样性）；每条骨架序列 8-16（序列空间）；AF2 预测全部（验证）；过滤后 50-200（候选）；实验测试 10-50（最终选择）。
适用场景与限制
适用场景包括蛋白质结合体设计工具选型、难目标或重要目标的策略规划、配体结合设计、多样性与探索性设计、生产级活动、抗体与纳米抗体设计。限制与注意事项：命中率目标依赖性强，无法先验判断某方法在新目标上的表现，本资料并非固定排行榜；Mosaic 需要调优且仅本地 JAX 运行；RFdiffusion 需要 ProteinMPNN 且不在 biomodals 中；Germinal 较为挑剔；示例流程中的命令与配置仅为资料给出的一个路径，实际可替换生成器。
常见错误包括：热点选择错误（使用埋藏残基、热点过多导致过度约束、链/残基编号错误）；多样性不足（设计数量过少、ProteinMPNN 温度过低、未探索多条骨架）；目标准备不当（包含整个蛋白而非结合区域、遗漏重要结构特征、质子化状态错误）。时间线参考（计算时间）：RFdiffusion（500 设计）2-4 小时，ProteinMPNN（8000 序列）1-2 小时，AF2 预测（8000 序列）12-24 小时，过滤与分析 1-2 小时，总计 1-2 天计算时间。