1. Potential 类
功能
Potential是一个接口类（抽象类），用于定义潜在函数的接口，要求继承它的类必须实现compute方法。- 它的设计遵循 面向对象编程的多态性原则，通过抽象接口确保子类实现特定功能，同时定义了一个通用的 API（即
compute方法）。
源代码：
class Potential:
'''
Interface class that defines the functions a potential must implement
'''
def compute(self, xyz):
'''
Given the current structure of the model prediction, return the current
potential as a PyTorch tensor with a single entry
Args:
xyz (torch.tensor, size: [L,27,3]: The current coordinates of the sample
Returns:
potential (torch.tensor, size: [1]): A potential whose value will be MAXIMIZED
by taking a step along it's gradient
'''
raise NotImplementedError('Potential compute function was not overwritten')要点
compute方法：- 输入
xyz：蛋白质当前坐标，形状为[L, 27, 3]。L: 残基数量。27: 每个残基的原子数量。3: 空间坐标。
- 输出
potential：一个标量张量，用于度量当前结构的潜在能量。
- 输入
- 设计成抽象方法，调用时如果未被子类覆盖，会直接抛出
NotImplementedError。
作用
- 提供一个统一的接口，便于扩展不同的潜在函数（例如评估分子压缩、能量、距离约束等）。
2. monomer_ROG 类
功能
monomer_ROG是Potential的子类，定义了一个用于评估单体分子紧凑性（compactness）的潜在函数，基于回转半径（Radius of Gyration, ROG）。- 通过
compute方法计算分子的回转半径，并返回一个负数值作为潜在能量（模型会尝试最小化回转半径）。
源码+注释：
class monomer_ROG(Potential):
'''
Radius of Gyration potential for encouraging monomer compactness
'''
def __init__(self, weight=1, min_dist=15):
self.weight = weight # 权重，调节 ROG 的影响程度
self.min_dist = min_dist # 最小距离，限制过短的距离
def compute(self, xyz):
Ca = xyz[:, 1] # [L, 3]，提取主链 Cα 原子的坐标
centroid = torch.mean(Ca, dim=0, keepdim=True) # 计算质心，形状 [1, 3]
dgram = torch.cdist(
Ca[None, ...].contiguous(), centroid[None, ...].contiguous(), p=2
) # 计算每个 Cα 原子到质心的欧几里得距离，形状 [1, L, 1, 3]
dgram = torch.maximum(
self.min_dist * torch.ones_like(dgram.squeeze(0)), dgram.squeeze(0)
) # 将距离限制在 min_dist 以上，形状 [L, 1, 3]
rad_of_gyration = torch.sqrt(
torch.sum(torch.square(dgram)) / Ca.shape[0]
) # 计算回转半径，形状 [1]
return -1 * self.weight * rad_of_gyration
源码解读：
1. 提取主链 Cα 坐标：
Ca = xyz[:, 1]
- 提取所有残基的 Cα 原子坐标（形状为
[L, 3]）。 - Cα 原子是蛋白质主链的骨架原子，用于计算质心和回转半径。
2. 计算质心：
centroid = torch.mean(Ca, dim=0, keepdim=True)
质心是所有 Cα 原子坐标的均值，表示分子中心点。
3. 计算 Cα 到质心的距离：
dgram = torch.cdist(
Ca[None, ...].contiguous(), centroid[None, ...].contiguous(), p=2
)
- 使用 PyTorch 的
torch.cdist函数，计算每个 Cα 原子到质心的欧几里得距离。 - 输出形状为
[1, L, 1, 3]，通过squeeze(0)简化为[L, 1, 3]。
4. 限制最小距离：
dgram = torch.maximum(
self.min_dist * torch.ones_like(dgram.squeeze(0)), dgram.squeeze(0)
)
如果距离小于 min_dist，将其设为 min_dist，避免回转半径变得过小。
5. 计算回转半径：
rad_of_gyration = torch.sqrt(
torch.sum(torch.square(dgram)) / Ca.shape[0]
)
6. 返回潜在能量：
return -1 * self.weight * rad_of_gyration
返回负的回转半径（通过乘以权重调整其影响程度）。潜在函数的值会在优化过程中被最大化，因此负号是必要的。
关于回转半径（Radius of Gyration, ROG）
1. 回转半径（Radius of Gyration, ROG）
回转半径是描述分子几何分布的一种统计量，用于衡量分子中各个原子围绕中心点的紧密程度。其数学定义为：
2. 为什么只计算 alpha 碳的回转半径？
-
alpha 碳的生物学意义：
- Alpha 碳（Cα）是蛋白质主链中每个氨基酸的骨架原子，位于 N-C-C 主链结构中间。
- Cα 原子直接反映了蛋白质骨架的整体形状，因此是分析蛋白质空间结构的关键点。
-
简化计算：
- 蛋白质中包含大量的原子（如侧链原子、氢原子等），如果考虑所有原子，会显著增加计算复杂度。
- 使用 Cα 原子作为代表，既简化了计算，也保留了蛋白质空间结构的主要信息。
-
紧凑性衡量的核心：
- 紧凑性是蛋白质结构设计中的一个核心属性，主要由主链决定。Cα 的回转半径可以很好地反映主链的紧凑性，而无需考虑侧链的细节。
3. RFDiffusion 中回转半径优化的意义
1. Potential 类
功能
Potential是一个接口类（抽象类），用于定义潜在函数的接口，要求继承它的类必须实现compute方法。- 它的设计遵循 面向对象编程的多态性原则，通过抽象接口确保子类实现特定功能，同时定义了一个通用的 API（即
compute方法）。
源代码：
class Potential:
'''
Interface class that defines the functions a potential must implement
'''
def compute(self, xyz):
'''
Given the current structure of the model prediction, return the current
potential as a PyTorch tensor with a single entry
Args:
xyz (torch.tensor, size: [L,27,3]: The current coordinates of the sample
Returns:
potential (torch.tensor, size: [1]): A potential whose value will be MAXIMIZED
by taking a step along it's gradient
'''
raise NotImplementedError('Potential compute function was not overwritten')要点
compute方法：- 输入
xyz：蛋白质当前坐标，形状为[L, 27, 3]。L: 残基数量。27: 每个残基的原子数量。3: 空间坐标。
- 输出
potential：一个标量张量，用于度量当前结构的潜在能量。
- 输入
- 设计成抽象方法，调用时如果未被子类覆盖，会直接抛出
NotImplementedError。
作用
- 提供一个统一的接口，便于扩展不同的潜在函数（例如评估分子压缩、能量、距离约束等）。
2. monomer_ROG 类
功能
monomer_ROG是Potential的子类，定义了一个用于评估单体分子紧凑性（compactness）的潜在函数，基于回转半径（Radius of Gyration, ROG）。- 通过
compute方法计算分子的回转半径，并返回一个负数值作为潜在能量（模型会尝试最小化回转半径）。
源码+注释：
class monomer_ROG(Potential):
'''
Radius of Gyration potential for encouraging monomer compactness
'''
def __init__(self, weight=1, min_dist=15):
self.weight = weight # 权重，调节 ROG 的影响程度
self.min_dist = min_dist # 最小距离，限制过短的距离
def compute(self, xyz):
Ca = xyz[:, 1] # [L, 3]，提取主链 Cα 原子的坐标
centroid = torch.mean(Ca, dim=0, keepdim=True) # 计算质心，形状 [1, 3]
dgram = torch.cdist(
Ca[None, ...].contiguous(), centroid[None, ...].contiguous(), p=2
) # 计算每个 Cα 原子到质心的欧几里得距离，形状 [1, L, 1, 3]
dgram = torch.maximum(
self.min_dist * torch.ones_like(dgram.squeeze(0)), dgram.squeeze(0)
) # 将距离限制在 min_dist 以上，形状 [L, 1, 3]
rad_of_gyration = torch.sqrt(
torch.sum(torch.square(dgram)) / Ca.shape[0]
) # 计算回转半径，形状 [1]
return -1 * self.weight * rad_of_gyration
源码解读：
1. 提取主链 Cα 坐标：
Ca = xyz[:, 1]
- 提取所有残基的 Cα 原子坐标（形状为
[L, 3]）。 - Cα 原子是蛋白质主链的骨架原子，用于计算质心和回转半径。
2. 计算质心：
centroid = torch.mean(Ca, dim=0, keepdim=True)
质心是所有 Cα 原子坐标的均值，表示分子中心点。
3. 计算 Cα 到质心的距离：
dgram = torch.cdist(
Ca[None, ...].contiguous(), centroid[None, ...].contiguous(), p=2
)
- 使用 PyTorch 的
torch.cdist函数，计算每个 Cα 原子到质心的欧几里得距离。 - 输出形状为
[1, L, 1, 3]，通过squeeze(0)简化为[L, 1, 3]。
4. 限制最小距离：
dgram = torch.maximum(
self.min_dist * torch.ones_like(dgram.squeeze(0)), dgram.squeeze(0)
)
如果距离小于 min_dist，将其设为 min_dist，避免回转半径变得过小。
5. 计算回转半径：
rad_of_gyration = torch.sqrt(
torch.sum(torch.square(dgram)) / Ca.shape[0]
)
6. 返回潜在能量：
return -1 * self.weight * rad_of_gyration
返回负的回转半径（通过乘以权重调整其影响程度）。潜在函数的值会在优化过程中被最大化，因此负号是必要的。
关于回转半径（Radius of Gyration, ROG）
1. 回转半径（Radius of Gyration, ROG）
回转半径是描述分子几何分布的一种统计量，用于衡量分子中各个原子围绕中心点的紧密程度。其数学定义为：
2. 为什么只计算 alpha 碳的回转半径？
-
alpha 碳的生物学意义：
- Alpha 碳（Cα）是蛋白质主链中每个氨基酸的骨架原子，位于 N-C-C 主链结构中间。
- Cα 原子直接反映了蛋白质骨架的整体形状，因此是分析蛋白质空间结构的关键点。
-
简化计算：
- 蛋白质中包含大量的原子（如侧链原子、氢原子等），如果考虑所有原子，会显著增加计算复杂度。
- 使用 Cα 原子作为代表，既简化了计算，也保留了蛋白质空间结构的主要信息。
-
紧凑性衡量的核心：
- 紧凑性是蛋白质结构设计中的一个核心属性，主要由主链决定。Cα 的回转半径可以很好地反映主链的紧凑性，而无需考虑侧链的细节。