🎯核心问题：结构预测的"单一构象陷阱"

AlphaFold 3 和 Boltz-2 是当今最强的蛋白质结构预测模型，但它们有一个共同的盲区：倾向于只输出一个"最可能"的构象。

现实中的蛋白质远非静态。RfaH 蛋白的 C 端结构域可以在 α-螺旋和 β-桶之间切换折叠态；μ-阿片受体（μ-OR）在激动剂和拮抗剂结合时呈现完全不同的活性/非活性构象。这些双态系统（dual-state systems）是药物设计的核心靶点——但你用 AlphaFold 3 跑 100 次，它可能 100 次都只给你同一个构象。

现有的解决方案要么需要大量计算（如 AFsample2 的多 MSA 采样），要么需要修改训练流程（如 Boltz-1 的 diffusion seed 扫描）。而 Suzuki 和 Amagasa 在 2026 年 1 月发表于 bioRxiv 的这篇预印本，提出了一个优雅到近乎"朴素"的方案：在 Pairformer 堆栈之前，把 pair representation 乘以一个标量 (1 + β)。

一句话总结：z := (1 + β)·z，在 Pairformer stack 之前。β = 0 复现原始推理，β > 0 放大 pair 信号，β < 0 抑制 pair 信号。扫描 β 网格即可生成构象系综。

🔬技术原理：为什么改一个乘数就够了

Pairformer 的双轨道架构

要理解 PRS 为什么有效，需要先理解 AlphaFold 3 / Boltz-2 的核心引擎——Pairformer。Pairformer 维护两条信息轨道：

在 48 层（Boltz-2）或 48 层（AlphaFold 3）的 Pairformer 堆栈中，s 和 z 通过 TriangleAttention 和 AttentionPairBias 相互更新。z 主导了空间约束的传递——它告诉模型"残基 i 和 j 应该靠多近"。

β-scaling 的直觉

PRS 的核心洞察是：pair representation z 编码了模型对"哪种空间约束更重要"的先验信念。当你把 z 乘以 (1 + β)：

关键在于，这个操作发生在 Pairformer 堆栈之前，只执行一次。它不改变模型权重，不改变训练数据，不改变网络结构——仅通过一个标量乘法，就改变了对称性破缺的起点，从而引导模型走向不同的构象盆地。

z 从哪里来：Pair Representation 的构建过程

要理解 β-scaling 为什么有效，还需要理解 z 是怎么被构建出来的。在 Boltz-2 的 Boltz2.forward() 中（boltz2.py:413-429），pair representation 的构建经历了以下步骤：

# boltz/model/models/boltz2.py:415-429 # 1. 输入嵌入：将特征转为 single representation s_inputs = self.input_embedder(feats) # line 415 # 2. 初始化 single representation s_init = self.s_init(s_inputs) # line 417 # 3. 构建 pair representation：外积求和 z_init = ( # line 420 self.z_init_1(s_inputs)[:, :, None] + # line 421: 投影到第一维 self.z_init_2(s_inputs)[:, None, :] # line 422: 投影到第二维 ) # 4. 加入相对位置编码和化学键信息 relative_position_encoding = self.rel_pos(feats) # line 425 z_init = z_init + relative_position_encoding z_init = z_init + self.token_bonds(feats[...]) # line 426

这意味着 z 的初始值由三部分构成：(1) single representation 的外积（编码"每对残基各自的特征"）、(2) 相对位置编码（编码"残基 i 和 j 在序列中的距离"）、(3) 化学键信息（编码"哪些残基之间有共价键连接"）。PRS 的 β-scaling 作用于这个合成后的 z，即在所有这些信号汇总之后、进入 Pairformer 之前——因此它等比例地放大/抑制了所有 pair 信号来源。

在 recycling 循环中（boltz2.py:449-455），每一轮的 z 还会加上上一轮的回收信号：z = z_init + self.z_recycle(self.z_norm(z))。β-scaling 作用于回收后的 z，意味着它也间接影响了回收信号的表达强度。

💻源码解析：改动量不到 5 行

Boltz-2 的修改

在 Boltz-2 的 PairformerModule.forward() 中，改动只有一行：

# boltz/model/layers/pairformer.py:192-207 # PairformerModule.forward() 内部 if self.scale_uniform_beta != 0.0: z = z * (1.0 + self.scale_uniform_beta) # 然后正常进入 Pairformer layer 循环 for layer in self.layers: s, z = layer(s, z, mask, pair_mask, chunk_size_tri_attn, use_kernels)

β 值通过 CLI 参数 --beta 传入，经由 PairformerArgs(scale_uniform_beta=beta) 到达模型。Boltz-1 和 Boltz-2 共享同一 Pairformer 架构，因此同一补丁同时适用。

AlphaFold 3 的修改

AlphaFold 3 使用 JAX/Haiku，修改同样简洁。在 evoformer.py 的 Pairformer 堆栈之前：

# alphafold3/model/network/evoformer.py:331-337 # Pair representation scaling: z := (1 + β)·z before the Pairformer stack. # β is read from PRS_BETA env var (set by the prs CLI wrapper). # β = 0 reproduces stock AlphaFold 3 inference. _prs_beta = float(_os.environ.get('PRS_BETA', '0.0')) if _prs_beta != 0.0: pair_activations = pair_activations * (1.0 + _prs_beta) pair_activations, single_activations = pairformer_stack( (pair_activations, single_activations) )

AF3 的实现通过环境变量 PRS_BETA 传递 β 值，避免了在 JAX 的函数式编程模型中穿针引线地传递配置参数——这是一个务实的工程选择。

统一 CLI：prs predict

作者提供了一个统一的命令行工具 prs，自动扫描 β 网格：

# Boltz-2 — 扫描 5 个 β 值 prs predict --model boltz2 \ --input example/rfah/boltz2_input.yaml \ --output example/rfah/output_boltz2 \ --beta "-0.6,-0.3,0,0.3,0.6" \ --use_msa_server # AlphaFold 3 — 扫描 3 个 β 值 prs predict --model af3 \ --input example/rfah/af3_input.json \ --output example/rfah/output_af3 \ --beta "-0.45,0,0.45" \ --model_dir /path/to/af3-weights

每个 β 值生成一个子目录（如 beta_neg0p30/），包含完整的预测输出。β = 0 的子目录即为原始模型的基线结果。

🔀完整数据流：从 CLI 到模型前向

通过 codemap 追踪，PRS 的完整调用链可以清晰地分为两条路径——Boltz-2（PyTorch）和 AlphaFold 3（JAX），它们共享相同的 CLI 入口但走完全不同的参数传递机制。

Boltz-2 路径：CLI → PairformerArgs → 模型实例

# 数据流：prs CLI → boltz predict → PairformerArgsV2 → PairformerModule # Step 1: prs CLI 解析 β 网格 (cli.py:196) betas = _parse_beta_list("-0.6,-0.3,0,0.3,0.6") # Step 2: 对每个 β 调用 boltz predict (cli.py:63-74) cmd = [boltz_bin, "predict", str(input_path), "--beta", f"{beta:.6f}", ...] subprocess.run(cmd, check=True) # Step 3: boltz predict 接收 --beta (main.py:1046, 1095) def predict(..., beta: float = 0.0): # Step 4: 构造 PairformerArgsV2 (main.py:1249) pairformer_args = PairformerArgsV2(scale_uniform_beta=beta) # Step 5: 初始化 PairformerModule (boltz2.py:242) self.pairformer_module = PairformerModule( token_s, token_z, **pairformer_args) # Step 6: forward 中应用 (pairformer.py:192-193) if self.scale_uniform_beta != 0.0: z = z * (1.0 + self.scale_uniform_beta)

Boltz-2 的参数传递是类型安全的：β 从 CLI flag → 函数参数 → dataclass 字段 → nn.Module 实例变量，全链路类型标注清晰。这得益于 PyTorch 的 OOP 设计。

AlphaFold 3 路径：CLI → 环境变量 → Evoformer 读取

# 数据流：prs CLI → run_alphafold.py → PRS_BETA env → Evoformer # Step 1: prs CLI 构造命令 (cli.py:99-110) cmd = [sys.executable, af3_run, f"--beta={beta:.6f}", ...] subprocess.run(cmd, check=True) # Step 2: run_alphafold.py 接收 --beta flag (line 842-843) if _BETA.value != 0.0: os.environ['PRS_BETA'] = str(_BETA.value) # Step 3: Evoformer 读取环境变量 (evoformer.py:333-335) _prs_beta = float(_os.environ.get('PRS_BETA', '0.0')) if _prs_beta != 0.0: pair_activations = pair_activations * (1.0 + _prs_beta) # Step 4: 进入 pairformer_stack (evoformer.py:337) pair_activations, single_activations = pairformer_stack( (pair_activations, single_activations))

AF3 的路径使用环境变量作为参数传递桥梁。这不是设计缺陷，而是 JAX/Haiku 函数式编程的务实选择——在 Haiku 的 hk.experimental.layer_stack 包装下，将配置参数线程化穿过整个调用栈极其笨重。环境变量方案虽然不够优雅，但在单进程推理场景下完全可行。

⚖️ 两种路径对比
维度 Boltz-2 (PyTorch) AlphaFold 3 (JAX)
参数传递 CLI → dataclass → Module 属性 CLI → 环境变量 → Evoformer 读取
类型安全 ✅ 全链路类型标注 ⚠️ 字符串 → float 转换
多进程安全 ✅ 进程隔离 ⚠️ 环境变量可能竞争
代码改动量 ~3 行 (pairformer.py) ~4 行 (evoformer.py + run_alphafold.py)
应用位置 PairformerModule.forward() 入口 pairformer_stack 调用之前

📊基准测试：两个经典双态系统

📦 项目内置基准
系统 类型 状态 A 状态 B β 偏好
RfaH CTD 折叠切换蛋白 α-螺旋 (2OUG) β-桶 (6C6S) β=+0.60 → α / β=-0.45 → β-barrel
μ-OR GPCR 非活性 (4DKL) 活性 (5C1M) β=-0.45 → inactive / β=+0.45 → active

RfaH：从 α-螺旋到 β-桶的折叠切换

RfaH（抗转录因子 H）的 C 端结构域是蛋白质折叠切换的经典案例。在游离状态下，它是一个 α-螺旋发夹；当 RfaH 结合到 RNA 聚合酶时，C 端会完全重折叠为 β-桶——同一序列，两种完全不同的折叠态。

标准 Boltz-2 倾向于预测 β-桶态（因为 PDB 中 β-桶结构更多）。PRS 的结果表明：β = +0.60 时模型更倾向 α-螺旋态，β = -0.45 时则偏向 β-桶态。通过扫描 β 网格，可以在一次运行中同时获得两种折叠态的结构系综。

μ-阿片受体：GPCR 的活性/非活性切换

μ-OR 是疼痛信号传导的核心受体，也是吗啡等阿片类药物的靶点。它的活性态（5C1M，激动剂结合）和非活性态（4DKL，拮抗剂结合）在跨膜螺旋 TM6 的位移上有显著差异——这正是 GPCR 药物设计的关键构象。

PRS 的结果展示了一个有趣的模式：负 β 值（-0.45）倾向于非活性态，正 β 值（+0.45）倾向于活性态。这意味着 pair representation 的放大/抑制可以直接影响 GPCR 的构象偏好——对药物设计而言，这是一个极其有用的推理时工具。

🧠为什么这比你想的更深

1. 推理时干预，零训练成本

PRS 不需要重新训练模型，不需要修改权重，不需要额外的训练数据。它纯粹是一个推理时（inference-time）干预——你只需要在预测命令中加一个 --beta 参数。这意味着任何已经部署了 Boltz-2 或 AlphaFold 3 的团队，可以在不改变现有基础设施的情况下立即使用 PRS。

2. 模型无关（Model-Agnostic）

同一个 β-scaling 原理同时适用于 Boltz-2（PyTorch）和 AlphaFold 3（JAX）。这两个模型共享 Pairformer 架构，但实现完全不同。PRS 的跨模型适用性说明，pair representation scaling 触及的是 Pairformer 架构的本质特征，而非某个模型的具体实现细节。

3. 与现有方法正交

PRS 可以与 AFsample2 的多 MSA 采样、Boltz 的 diffusion seed 扫描等方法叠加使用。你可以先用 PRS 扫描 β 网格，再在每个 β 值下用不同 MSA 或 seed 进一步采样——形成二维构象系综。这种正交性使 PRS 成为结构预测工具箱中一个灵活的新维度。

4. 计算开销极小

每个 β 值就是一次标准推理。5 个 β 值的网格扫描 = 5 次推理，没有额外开销。相比之下，AFsample2 需要数百次 MSA 子采样才能覆盖构象空间。PRS 的性价比令人印象深刻。

🔗技术生态与上下游

🏗 项目架构
组件 说明
src/prs/ 统一 CLI (prs predict)，解析 β 网格，调度后端
third_party/boltz/ Boltz-2 源码（vendored），含 β 补丁
third_party/alphafold3/ AlphaFold 3 源码（vendored），含 β 补丁
example/rfah/ RfaH 折叠切换基准 + marimo 可视化
example/muor/ μ-OR GPCR 基准 + marimo 可视化
docker/ 两个后端各自的 Docker 镜像

项目依赖的关键上游工作包括 Boltz-2（Passaro et al. 2025）、Boltz-1（Wohlwend et al. 2024）、AlphaFold 3（Abramson et al. 2024），以及用于评估的 AFsample2（Kalakoti & Wallner 2025）和 IOMemP 膜转运蛋白基准（Xie & Huang 2024）。作者将 Boltz-2 和 AlphaFold 3 的完整源码 vendor 在 third_party/ 下，并直接在源码中应用了 β 补丁——这种"自带补丁的 vendor"策略确保了可复现性。

💡对研究者的实用启示

🔑 三个关键信号

  1. 如果你在做 GPCR / 膜蛋白 / 折叠切换蛋白的结构预测——立即试试 PRS。在标准预测命令中加 --beta "-0.6,-0.3,0,0.3,0.6"，5 次推理即可获得构象系综。对于药物设计中的"活性 vs 非活性"构象筛选，这可能是最低成本的方案。
  2. 如果你在开发新的结构预测模型——Pairformer 之前的 pair representation 是一个被忽视的"控制旋钮"。PRS 证明了仅通过缩放这个信号就能改变构象偏好，这意味着模型在训练时可能过度依赖 pair signal 来"锁定"单一构象。在训练时引入 pair representation 的随机缩放（类似 dropout）可能提升多构象采样能力。
  3. 如果你在评估结构预测的构象多样性——PRS 提供了一个干净的基线。β 网格扫描 + TM-score 到参考构象的散点图，是评估模型构象覆盖率的标准化方法。开源的 marimo notebook 可以直接复用。

⚠️局限与展望

PRS 的局限同样值得注意：

作者在 README 中提到，一篇更新的预印本正在准备中，将报告 AlphaFold 3 的完整基准结果。考虑到 AF3 与 Boltz-2 在架构上的差异（AF3 有 MSA 模块，Boltz-2 有 diffusion module），β-scaling 在两个模型上的表现对比将非常有启发性。

📄论文信息

📚 引用

标题：Steering Conformational Sampling in Boltz-2 via Pair Representation Scaling

作者：Suzuki, Shosuke & Amagasa, Toshiyuki（筑波大学）

发表：bioRxiv, 2026年1月23日

DOI：10.64898/2026.01.23.701250

代码：github.com/suzuki-2001/pair-representation-scaling

许可证：MIT