一句话判断与关键数字
下面是数字所在的验证层级速览。注意所有"序列恢复"数字是计算基准（以天然表面为参照的逆向测试），只有最后的抗体结合数据是实验终点。
| 验证层级 | 任务 | 规模 | 关键结果 |
|---|---|---|---|
| 单氨基酸恢复 | 逐个位点用 19 种氨基酸替换，比谁的表面最像天然残基 | 1,900 复合物（19×100） | SurfS 一致优于 REU；静电项区分 Q/E、N/D 等近结构体 |
| 界面序列恢复 | 界面打 Ala 后用表面相似度引导重设计 | 9 个瞬时 PPI，bound+unbound | bound ~85%（低互补 92%，两例 100%）vs FixBB 48–55% |
| 计算 SSM 筛选 | 预测哪些点突变改进 Neo-2/15 与 IL-2Rβγc 结合 | 5 个界面位 × 20 氨基酸 | 找回 4/5 最优突变 + 4 增效；能量函数 1/5 + 2 |
| RSV site 0 免疫原 | 把表位表面移植到无关支架并做 SPR 验证 | 760 个 decoys → Surf_03 | 4/4 site 0 抗体结合；KO 突变体与 WT 不结合 |
问题定义：设计目标写在哪一层
主流蛋白设计协议（Rosetta 系以及后来的深度学习管线）共用一个隐含假设：设计目标是构象。固定或生成一个目标骨架，然后找能量最低的序列填满它。能量函数 —— 无论是物理项加统计项的 ref2015，还是学习到的条件分布 —— 回答的都是"这条序列和这个原子排列有多兼容"。
这个假设在"要一个有功能的蛋白"时露出缺口。功能——结合、识别、免疫原性——发生在表面：溶剂可及表面（Lee–Richards，1971）是蛋白与其他分子实际接触的唯一界面。两条序列可以能量同样好、折叠同样准，却在表面静电或形状上完全不同，从而一个有功能、一个没有。反过来，RosettaSurf 利用的前提更大胆：表面在一定程度上独立于序列与骨架——不同的蛋白、不同的折叠家族，可以呈现几乎相同的表面 patch。这正是"表面指纹"类方法（如 MaSIF）能做功能预测的原因，也是它能被反向用作设计目标的原因。
所以 RosettaSurf 回答的问题不是"哪个序列编码这个结构"，而是"哪个序列能产生这个表面"。参考系从 native backbone 换成 reference surface：设计时手里拿的是目标功能位点的表面描述子（例如抗体面前的表位表面），在另一个蛋白的表面上逼近它。参照物可以是另一个蛋白的表面——这正是表位移植的关键。
底层依据：为什么表面可以作为设计目标
"拿表面当优化对象"不是工程技巧，它立在四层科学事实上。这四层同时回答了"为什么这条路线可能有效"和"它在哪里会失效"——本文后面所有数字都应放回这四个坐标系里读。
| 层 | 供给给设计过程的东西 | 在该层上的失效模式 |
|---|---|---|
| 物理 | 溶剂排除表面是相互作用的真实边界；结合的热力学收益（埋藏面积、脱溶剂化、静电匹配）发生在表面层 | APBS 近似、静态介电、刚性表面——势场随构象与质子化态变化 |
| 化学 | 表面化学由侧链化学加和；同一表面可由不同化学组成编码（序列↔表面多对一） | Cys 共价协同破坏逐点独立性；Q/E、K/R 等"化学替身"造成恢复误判 |
| 生物化学 | 瞬时 PPI（表位-抗体、细胞因子-受体）由表面化学模式识别；抗体可当"构象探针"读表面保真度 | 表面相似 ≠ 结合热力学等价；SPR 识别 ≠ 免疫原性/中和 |
| 结构学 | 固定骨架下表面是侧链摆放的确定函数；旋转异构体库把序列映射到表面 | bound/unbound 构象差、柔性长侧链、骨架偏差都直接破坏表面 |
3.1 物理：表面是结合事件的边界
蛋白被溶剂包围，分子间唯一发生接触的界面是溶剂排除表面（Lee–Richards/Connolly 面，约 1.4 Å 探针滚动形成）。结合自由能的几项主要贡献都在这个面上兑现：埋藏非极性面积带来的疏水与脱溶剂收益、界面两侧的范德华密合（要求形状互补）、以及静电势的长程匹配。RosettaSurf 的两个描述子正好对应其中两项可计算量：SS 把"密合"量化——两个面上最近点对的法向夹角平均后衡量能否无缝贴合；ES 把"电势匹配"量化——APBS 解 Poisson–Boltzmann 方程得到的表面静电势做相关分析，比较的是场在空间中的形状而非原子电荷清单。把参考面法向量取反，"相似"就变换成"互补"——同一个几何算子覆盖表位模拟与界面优化两类任务，因为"像它"与"贴住它"在法向几何上只差一个符号。
这一层也给出了失效模式：PB 静电是连续介质近似，表面是静态快照；质子化态、离子强度、构象涨落都会改动势场，而 SurfS 把它们全部冻结在设计时的那一刻。
3.2 化学：表面化学 ≠ 序列化学
表面上的化学性质是侧链的加和：带电残基（D/E/K/R/H）贡献电势、极性残基（Q/N/S/T）贡献氢键与偶极、疏水残基（A/V/I/L/M/F/W）贡献形状与脱溶剂位点。SurfS 只看形状与静电两项——需要注意，RosettaSurf 的点云 featurization 并不含疏水性或氢键倾向通道（那是同门 MaSIF 的特征组），它的化学信息主要通过静电项进入。
化学层的两个实验读数最能说明问题：其一，ES 能把谷氨酰胺与谷氨酸、天冬酰胺与天冬氨酸分开——这几对残基形状几乎相同、只差一个电荷，纯形状度量必然混淆，静电项是唯一分辨手段；其二，恢复基准中最常见的"错配"是异亮氨酸→缬氨酸、赖氨酸→精氨酸——化学上形状/电荷近似等价的替身。第二点其实是这条路线的深层论点：表面化学码与序列码是多对一关系，恢复率指标按"序列一致"计分，会系统性低估"功能等价的替代"。做表面设计时，这个多对一是资产（更多序列可选）；做序列恢复评测时，它成了指标的盲区。
半胱氨酸被排除也有明确的化学原因：二硫键让表面特征由两个残基的共价协同决定，逐点独立替换、独立评分的假设随之失效——不是实现偷懒，而是独立性假设的化学边界。
3.3 生物化学：受体读的是表面，不是序列
基准集全部选用瞬时相互作用复合物——表位-抗体、细胞因子-受体这类真实识别事件，而非永久性多聚体。这是刻意的：要验证的命题正是"免疫系统与信号受体读取表面化学模式，而非读取产生该模式的序列"。
RSV site 0 的 SPR 面板把这个命题变成了可分辨的读数。四个 site 0 特异性抗体里，D25 与 ADI19009 的表位足迹集中在螺旋段——所以连"只嫁接螺旋"的对照设计也能结合它们；ADI14496 与 ADI18900 需要覆盖环区与过渡区的更大表面足迹——只有 RosettaSurf 补全周围表面的 Surf_03 能结合。4/4 与 2/4 的差别不是亲和力强弱，而是表位拓扑的覆盖度：抗体面板在这里充当了一组分辨率不同的构象探针，把"表面模拟到哪一层"量化成生化信号。
Neo-2/15 案例同理：找回的 4/5 个最优突变都落在界面核心（Cβ≤7 Å），漏掉的 39 号残基位于边缘（9 Å，贡献本来就弱）——表面互补性度量天然把权重压在参与脱溶剂与密合的核心界面上，这与实验 SSM 找出的高贡献位点在空间上重合。
边界同样要写清：表面相似是识别的必要条件而非充分条件——SPR 证明的是"被同一组抗体读到"，不证明结合热力学等价，更不证明体内免疫原性；本篇的免疫原验证到此为止。
3.4 结构学：表面是侧链摆放的函数
RosettaSurf 全程在固定骨架上工作：表面形态 = 骨架 × 侧链旋转异构体的确定函数。这把两件事钉死为前置条件——锚定段的结构保真（RSV 案例中支架 3EZI 与表位螺旋 Cα RMSD 0.4 Å），以及旋转异构体采样的覆盖度（ex1ex2 扩库，同一氨基酸的多个 χ 角构象在表面层是"一族表面"而非一个点）。骨架偏一埃，表面的形状与势场都跟着错——表面优化没有容错空间去补偿骨架误差。
bound 与 unbound 的恢复率差有一个纯结构学解释：结合对象在空间中约束了界面残基的可行旋转异构体集合，bound 态下侧链摆放空间被压缩、天然残基更易唯一命中；去掉结合对象后，精氨酸、赖氨酸、甲硫氨酸这类长而柔的侧链构象空间膨胀，"能造出类似表面"的残基变多，唯一恢复率随之下降——恢复率的损失最大的正是柔性侧链，与骨架刚性无关。
MotifGraft 与表面设计的分工也在这里看清：支架搜索解决的是二级结构 motif 的结构对齐（那条不规则 α-螺旋），对齐不了的部分——环区、过渡区、以及螺旋周围的整个表面 patch——才交给表面优化。所以这条管线的结构学逻辑是"结构对齐解决可锚定的部分，表面描述解决其余"——两者不是竞争而是接力。
SurfS 分数：把"功能"变成可优化的标量
RosettaSurf 的核心操作是比较两个分子表面。实现上，蛋白的溶剂排除表面被离散化为点云，每个点携带几何与化学描述子：
SS · 形状相似度
对目标面与参考面的最近点对，比较两点处表面法向量的差异（思想源自 Lawrence–Colman 形状互补性）。平均后得 SS ∈ [0,1]，1 为形状完全一致。把参考面法向量取反，"相似"就变成"互补"——同一个算子既服务表位模拟也服务结合界面优化。
ES · 静电相似度
用 APBS 解 Poisson–Boltzmann 方程得到两个面的静电势，再对相关势场做相关分析。ES 原始范围 −1（高度相似）到 +1（高度互补）；脚本中按"越负越像"使用。静电项是区分谷氨酰胺/谷氨酸、天冬酰胺/天冬氨酸这类"形状近、化学远"残基的关键。
SurfS · 组合分
SS 与 ES 经 logistic 回归加权为单一 0–1 分数，权重在 2,660 个瞬时 PPI 复合物（19 氨基酸×140 结构为真阳性，47,880 个替换为真阴性）上拟合。SurfS → 1 表示表面高度相似。
// 系数 = logistic 回归在 2,660 复合物数据集上的拟合值（Notebook cell: intercept=−13.79986756, coef_ES=−13.78594078, coef_SS=+14.64347448）
这套构造的工程含义值得单独看：SurfS 是一个可微概念被嵌进离散采样的例子。它不是在 Rosetta 打分函数里加一项，而是作为 GenericMonteCarlo 的接受判据（filter）引导序列采样——蒙特卡洛每次随机突变后，用新产生的表面与参考面的相似度决定接受或拒绝。能量负责"这个结构合不合理"，SurfS 负责"这个表面像不像目标"，两个判据在协议的不同阶段生效（见下节）。
协议解剖：三段式表面 Monte Carlo
论文给出的恢复/设计脚本（scripts/interface_recovery/*/surf_*.xml、rsv_site_0_design/surface_design.xml）是同一个三段式结构，从粗到细：
0 · 清空
界面全部打 Ala（alapose）：抹掉表面特征，制造公平的空白起点。非界面位点 PreventRepacking 冻结。
1 · 形状粗搜索
5× PackRotamers + 700× RandomMutation，以 ShapeIdentity 为 MC 判据（sample_type=high），T=0.0004。只问形状，先铺出大致像参考面的侧链布局。
2 · 组合分精修
25× RandomMutation 以 SurfS（SS+ES 组合）为判据（sample_type=low），T≈0。在形状大致对的位置上做静电精修；RSV 版另加能量护栏（REU/残基 ≤4.1）防止表面讨好但结构崩坏。
3 · 报告
SequenceRecoveryMetric / SequenceSimilarityMetric 对比天然序列；si/elec 置信度=0 的度量只报告不参与采样。
几个值得抄走的工程细节：
- ex1ex2 扩展旋转异构体库 + 禁 Cys：旋转异构体采样比默认更宽；半胱氨酸被排除，因为二硫键让表面依赖两个残基的协同，破坏"逐点替换、逐点评分"的独立性假设。
- 采样空间收缩（RosettaSurf-site）：组合式旋转异构体太贵时，改为逐位点扫 20 种氨基酸，取表面分数 top-3（IL 基准为匹配实验组合库取 top-4），再组合采样——把一个 20n 问题压成"每位置候选集×组合"的两级问题。
- MC 温度分层：形状阶段 T=0.0004 允许探索，组合分阶段 T≈10−7 几乎只接受改进——先广撒网再贪心收敛，是典型的退火式课表。
- 能量护栏用 CalculatorFilter 组合：
SCORE/NRES ≤ 4.1这类派生约束直接写在 XML 里，说明表面优化必须被套在结构合理性的笼子里跑。
四个验证层级与关键数字
6.1 单氨基酸恢复：表面描述子能"认出"残基身份吗
对每种氨基酸建 100 个含该氨基酸界面残基的瞬时 PPI 复合物（共 1,900），逐位点换成其余 18 种氨基酸（除 Cys），看天然残基能否凭表面相似度被唯一识别。SurfS 在 bound 与 unbound 两种状态下一致优于 Rosetta 能量（REU）。两个细节说明静电项的价值：形状近似的 Q/E、N/D 对，只有 ES 能分开；而 Gly/Pro 这类侧链特征唯一的残基，连能量函数也能认对，但 SurfS 仍更高。unbound 态恢复率下降集中在极性与长侧链（R/K/M）——失去结合对象的约束后，旋转异构体空间变大，同一个表面可以被更多构象"糊弄"出来。
6.2 界面恢复：整条界面 patch 的复写
9 个瞬时 PPI 复合物分三类（低形状互补 / 高形状互补 / 抗体-抗原），界面打 Ala 后分别用 FixBB（ref2015 能量）、RosettaSurf、RosettaSurf-site 重设计，对照天然界面序列算恢复率：
| 复合物类别 | FixBB（bound） | RosettaSurf（bound） | RS-site（bound） | FixBB（unbound） | RosettaSurf（unbound） | RS-site（unbound） |
|---|---|---|---|---|---|---|
| 低互补界面 | ~55% | ~85% | 92% | — | 81% | 80% |
| 高互补界面 | ~48% | ~85% | ~85% | 25% | 66% | 68% |
| 抗体-抗原 | 45%（unbound 口径） | ~85% | ~85%（D8–vv138 达 100%） | 45% | 76% | 66% |
表中 bound 列数字为论文 Fig 3 报告的分组均值口径（RS/RS-site 在两类非抗体组均 ~85%）；Enterotoxin G–TCR 复合物在 RS-site 下恢复 100%，D8 蛋白–vv138 抗体复合物同样 100%。总体口径：表面中心协议较 FixBB 在 unbound 高 36–39 个百分点、bound 高 30–31 个百分点。
离群值分析反而最有信息量：作者把"SurfS 很高但序列恢复 ≤50%"的 decoy 单独挑出来（阈值 SurfS≥0.9992、恢复≤70% 分界），发现失败多发生在几何上互为替身的氨基酸之间——I→V、K→R。表面正确了，序列却不同。这恰好证明"表面-序列是多对一映射"：恢复率这个评测指标本身低估了功能层面的正确性。
6.3 IL-2/15 计算 SSM：表面分数预测实验突变谱
这是把 RosettaSurf-site 当虚拟饱和突变仪用的一段。对象是 Silva 等（Nature 2019）的 de novo IL-2/IL-15 拮抗剂（Neo-2/15，与 IL-2Rβγc 复合物 PDB 6DG5）：原研究先实验 SSM 再建组合库找最优binder。RosettaSurf-site 在 18 个界面位点（Cβ ≤7 Å）中取 5 个与实验库重叠的位点，逐位点扫 20 种氨基酸并按与受体表面的形状互补性排序取 top-4。结果：5 个最优突变中找回 4 个（漏掉的 residue 39 位于界面边缘 9 Å 处，贡献本来就弱），另找回 4 个不在最优binder中但实验证实增效的突变；同位置的 Rosetta 能量排序只找回 1/5 + 2。含义直接：先算一遍再做库，可以把组合库从"全枚举"压到"每位置 3–4 个候选"。
6.4 RSV site 0：表面模拟的端到端证明
site 0 是 RSV F 糖蛋白上的中和表位，由一个不规则 α-螺旋和一条 10 残基环组成——已知结构空间里没有能同时呈现两段的支架，是"结构嫁接做不下去"的硬 case。两步策略：
- 锚定：MotifGraft 找到 NarX 组氨酸激酶受体（PDB 3EZI）能把表位螺旋对到 Cα RMSD 0.4 Å，把螺旋侧链接枝上去；
- 补面：其余表位表面（环区与过渡区）交给 RosettaSurf，以 D25 复合物中的天然 site 0 表面为参考优化序列。760 个 decoys 取 SurfS 最高者，再加 6 个人工突变（5 个解支架-表位碰撞、1 个按 top-20 decoy 序列谱把口袋极性残基改疏水），得 Surf_03。
评分差距是数量级的：Surf_03 对天然 site 0 表面相似度 0.45，而 WT 支架 0、纯螺旋嫁接 0.06、同位点 FixBB 设计 0.04。SPR 用 4 个 site 0 特异性单抗当"构象探针"：三个设计都能结合 D25 与 ADI19009（说明这两个抗体主要认螺旋段），但只有 Surf_03 同时被 ADI14496 和 ADI18900 识别——后两个依赖螺旋以外的表面，正是 RosettaSurf 补出来的部分。Surf_03 的表位敲除突变体与 WT 支架均为阴性。
含义一：折叠与功能的解耦
RosettaSurf 对设计过程最重要的方法论改写，是把单一目标函数拆成两层：能量管折叠，表面管功能。在传统 FixBB 里，序列选择同时背负"折得对"和"像天然"两个不可分离的目标；在 RosettaSurf 里，这两个目标被显式分到不同判据、不同阶段——ref2015 守住结构合理性的下限（能量护栏、PreventRepacking），SurfS 在界面上层负责功能相似性。这个分层使得每一层的失败可以被单独诊断：序列恢复低但 SurfS 高 → 序列层失败、表面层成功；SurfS 低 → 功能层失败。
这把"设计评审"的对象也换了位：评设计不再只问"这条序列能量多好/能否折叠"，而是问"这条序列造出来的表面长什么样、像不像功能位点"。表面成为序列与功能之间一个可计算、可检查的中间层——这也是它与逆折叠的根本区别（见第 9 节）。
含义二：功能位点移植绕开结构同源瓶颈
表位脚手架的经典瓶颈是 motif 结构匹配：要把一段功能构象搬进新蛋白，先要找到一个 backbone 几何上容得下它的支架。site 0 这种"螺旋+环"复合 motif 在 PDB 里找不到全配支架，传统 MotifGraft 到此为止。RosettaSurf 把约束放松了一级：支架只需要锚住一部分结构（那条螺旋），其余功能信息用表面而非 backbone 传递。环区不需要结构同源——只要设计出来的表面 patch 在形状与静电上逼近天然表位，抗体照样认。
从结果看这等价于：功能位点的"可移植单元"从"结构 motif"降维成"表面 patch"。对免疫原设计这个直接改变可行域——原先不可移植的表位变得可移植；对结合蛋白设计，同一个算子法向量取反就从"模拟"切到"互补"，变成界面优化工具。一个描述子，两个方向，覆盖两类任务。
含义三：表面作为实验库的压缩器
IL-2/15 实验给出的不是"表面分比能量分高"这么简单的结论，而是一条流程级启发：计算预筛可以放在实验 SSM 之前，而不是替代它。原路线的成本结构是"实验全枚举 → 组合库"；RosettaSurf-site 的路线是"每位置算 20 个氨基酸 → 取 top-4 → 小组合库"。找回 4/5 最优突变意味着后一条路线在大幅缩小的实验量下保住了主要信号。对今天做定向进化或 saturation 库的团队，这个"每位置候选集排序 → 小规模验证库"的骨架仍然成立——只是 2026 年的排序器可以换成更强的模型。
谱系位置：物理描述子与深度模型之间
把 RosettaSurf 放进蛋白设计方法谱系，它坐在三条线的交汇点上：
- 上游物理描述子：Lawrence–Colman 形状互补性（1993）、McCoy 等静电互补性（1997）→ 被组装成可设计用的相似度算子，而不是事后评估指标。
- 同门学习化支线：Correia 组的 MaSIF（Gainza 等，2020/2023）把表面点云+几何化学特征喂给几何深度学习，学"表面指纹"做功能预测。MaSIF 是读表面（surface → function label），RosettaSurf 是写表面（surface → sequence）；同一个"表面即功能"世界观的两个方向。区别在于 SurfS 的描述子是手工物理量+小规模 logistic 拟合，MaSIF 是端到端学习。
- 下游深度生成管线：今天的 RFdiffusion 做 motif 脚手架、ProteinMPNN/LigandMPNN 做条件序列、BindCraft 类管线用 AF2 回评做界面过滤。表面约束没有消失，而是被隐式化——扩散模型在生成时内化界面几何，过滤器用 pAE/ipTM 间接代理结合面质量。RosettaSurf 的价值在于把这种代理显式化、可审计化：它告诉你过滤器到底在看什么（形状法向量+静电势），而不是一个黑盒分数。
与本站逆折叠报告对照看更清楚：逆折叠问"给定骨架，写哪条序列"（条件变量=backbone），RosettaSurf 问"给定表面，写哪条序列"（条件变量=surface）。后者的条件变量离功能更近一层——骨架是手段，表面才是功能的载体。这也是为什么表面中心视角在功能位点设计、表位移植、结合界面优化上，至今仍是深度学习管线里值得保留的一个显式检查层。
局限与证据边界
- 固定骨架：协议全程 PreventRepacking 锁死非界面区、骨架不动；表面优化不能补偿 backbone 几何错误，锚定段仍需 MotifGraft/扩散模型提供。
- Oracle 参照物：恢复基准的"参考面"就是天然表面本身——SurfS 被证明的是"能驱动采样回到给出该表面的序列"，不是"不知道答案时也能选对方向"。设计任务里参考面来自真实表位（D25 复合物），这个外推距离是有限的。
- 基准规模：界面恢复只有 9 个复合物、分三类，单类 2–4 例；类别内均值受单点影响很大。单氨基酸基准大（1,900），但同源于瞬时 PPI 池。
- SurfS 训练域：logistic 权重拟合于瞬时 PPI 界面；对非界面表面（活性口袋、别构位点）、膜蛋白埋藏面、配体结合面，权重未重新校准。
- 静电成本与近似：ES 依赖 APBS 解 PB 方程，每次突变都要重算表面与势场——这是 RosettaSurf-site 逐位点扫描存在的原因，也是吞吐瓶颈。
- Cys 缺失：二硫键位点被排除在设计空间外。
- 实验端点有限：体外 SPR 结合 ≠ 免疫原性、≠ 中和、≠ 体内保护；Surf_03 的小动物免疫原性不在本篇证据内。
工程建议与开放问题
什么时候值得把表面判据显式拉回来：
- 功能位点移植 / 表位模拟 / 支架救活：目标表面已知、结构同源不可得时，表面相似度是唯一能直接优化的目标量。
- 实验库压缩：SSM/组合库之前先用表面互补性排序，把每位置候选压到 3–4 个。
- 深度学习管线的审计层：给 RFdiffusion/ProteinMPNN 输出加一道表面检查（形状+静电 vs 目标界面），作为对黑盒亲和力代理的正交验证。
开放问题（本文未答，留给后续）：
- 手工描述子（SS+ES+logistic）与学习型表面嵌入（MaSIF 类）在设计任务上谁更稳？两者能否混合——学习嵌入负责召回、显式描述子负责审计？
- 表面优化能否处理多构象/诱导契合？当前协议所有描述子都建立在静态表面上，主链动一分，表面参考就要重建一次。
- "表面相似度"与"结合热力学"的换算关系仍未闭合——SurfS 高不等于 ΔG 更低，二者的相关性在多大界面范围内成立尚无系统测量。
参考文献与核验说明
- Scheck A, Rosset S, Defferrard M, Loukas A, Bonet J, Vandergheynst P, Correia BE. RosettaSurf—A surface-centric computational design approach. PLoS Comput Biol 2022;18(3):e1009178. doi:10.1371/journal.pcbi.1009178（PMC9015148；bioRxiv 预印本 2021.06.16.448645）。
- LPDI-EPFL/RosettaSurf 代码与数据仓库（github.com/LPDI-EPFL/RosettaSurf，HEAD 6cada08；数据在 Zenodo 10.5281/zenodo.4917367）。本报告协议细节以仓库 XML（scripts/interface_recovery、rsv_site_0_design、interleukin_benchmark、single_amino_acid_recovery、surface_weight_optimization）为准。
- Lawrence MC, Colman PM. Shape complementarity at protein/protein interfaces. J Mol Biol 1993;234:946–950（SS 法向量比对的思想来源）。
- McCoy AJ, Chandana Epa V, Colman PM. Electrostatic complementarity at protein/protein interfaces. J Mol Biol 1997;268:570–584（ES/互补性思想来源）。
- Silva DA, Yu S, Ulge UY, et al. De novo design of potent and selective mimics of IL-2 and IL-15. Nature 2019;565:186–191（Neo-2/15 与 6DG5 复合物，SSM 基准的实验参照）。
- Gainza P, Sverrisson F, Monti F, et al. Deciphering interaction fingerprints from protein molecular surfaces using geometric deep learning. Nat Methods 2020;17:184–192（MaSIF，同实验室学习化支线，谱系对照用）。
- Lee B, Richards FM. The interpretation of protein structures: estimation of static accessibility. J Mol Biol 1971;55:379–400（溶剂可及表面概念）。
- Alford RF, et al. The Rosetta All-Atom Energy Function for Macromolecular Modeling and Design（ref2015）. J Chem Theory Comput 2017;13:3031–3048。
- Jurrus E, et al. Improvements to the APBS biomolecular solvation software suite. Protein Sci 2018;27:112–128（ES 的静电势来源）。
核验说明：本报告数字来自 2026-10-31 可检索的论文全文（PMC9015148）与官方仓库脚本；SurfS 系数、MC 三段式参数（5/700/25 trials、T=0.0004/10⁻⁷、能量护栏 REU/残基≤4.1）、SSM 的 5 位点选择与 top-4 取样、RSV 设计的 760 decoys/6 手工突变/4 抗体面板，均逐条对回原文或 XML。序列恢复率为作者报告的分组均值；未重跑任何模拟。引用的两个对照设计数字（helix-only 0.06、FixBB 0.04、WT 0）与 Surf_03 的 0.45 为论文 Fig 5 口径。若将本报告数字用于正式发表，请回原文核对图表与阈值定义。