跨骨架与表位的推理时引导，实现高样本效率的从头纳米抗体设计
Inference-Time Steering Across Scaffolds and Epitopes for Sample-Efficient De Novo Nanobody Design
精选理由
动态分配生成算力，在多种纳米抗体设计条件间优先探索高潜力方向，使每 GPU 小时可设计候选产量近乎提升 5 倍。
AI 摘要
arXiv:2610.13844v1 公告类型：新论文 摘要：生成式分子设计通常依赖大量生成和事后筛选。Feynman-Kac（FK）引导等推理时引导方法通过使生成轨迹偏向高奖励候选对象来提高效率，但其优化仅限于单一固定配置。在从头纳米抗体设计中，预先确定骨架类型或靶标表位等条件选择会形成瓶颈。由于不同条件下的产出率各异，对前景不佳的配置进行引导会浪费计算资源。我们将生成条件选择重新表述为推理时的资源分配问题，并提出两种动态预算分配方法：一种是联合的全局序贯蒙特卡洛（SMC）方案，可同时跨配置进行引导并分配计算资源；另一种是基于批量逐次淘汰（BaSE）改造的解耦方法。实证结果表明，在不同治疗靶标和生成配置下，这些动态分配方法将每 GPU 小时的可设计候选对象产出提高至近 5 倍，同时不牺牲多样性。