Structure Prediction (OpenDDE)

简介

OpenDDE（Open Drug Discovery Engine）是 Aureka AI Research 推出的开源全原子生物分子基础模型，以多分子共折叠为核心，用于蛋白质、抗体、抗原、核酸和小分子等生物分子复合物的联合结构预测。模块将结构预测作为药物发现流程中的统一结构推理层，为分子设计、亲和力预测和结构优化等任务提供基础。

它解决了什么问题？

药物发现中的核心难题之一，是准确理解不同生物分子之间如何结合。

OpenDDE 试图解决三个关键问题：

1. 从序列推断复合物的全原子结构，而不只预测单个蛋白质。
2. 理解分子界面的几何关系，包括朝向、间距、互补性和空间冲突。
3. 建立可扩展的结构推理底座，让结构预测与分子设计共享同一套模型框架。

核心能力

1. 全原子结构预测

OpenDDE 可以联合建模蛋白质、核酸、配体、离子和修饰残基，并生成完整的原子坐标。

2. 抗体–抗原共折叠

这是 OpenDDE 当前最突出的能力。模型在多个抗体–抗原基准上表现优于报告中对比的开源模型，并在新发布、低同源的生物体系上保持较强泛化能力。

实际表现如何？

抗体–抗原基准

在按模型排序分数选择结果时，OpenDDE 的 DockQ 成功率为：

在 Oracle 选择下，即从多个候选中选择真实 DockQ 最优结果，成功率分别达到：

FoldBench 综合表现

OpenDDE 的提升主要集中在需要跨分子界面推理的任务，尤其是蛋白质–蛋白质和抗体–抗原体系。

显存占用参考

以下为默认配置下的显存占用参考值（基于单链蛋白基础推理，不含 MSA、模板及高级引导功能）：

说明：

1. 统计口径：数值包含模型加载与推理全流程；四卡数据指单张显卡的峰值占用，多卡模式主要用于降低单卡显存门槛。
2. 波动因素：上述数据仅为基线参考。实际任务中若涉及多链复合物、小分子配体、MSA 搜索、多样本采样或开启额外引导策略，显存开销将相应增加。

参数说明

Single Mode

Single Mode 用于预测一个单体或复合物。Protein、DNA、RNA、Ligand 和 Ion 中至少需要提供一种分子输入；Modification、Covalent Bond 和 Template 只能补充已有分子信息，不能单独构成预测任务。

Protein、DNA 或 RNA FASTA 中的多条记录，以及配体和离子文件中的多个实体，都会合并到同一个待预测体系中。

Protein Sequence

蛋白质序列使用 FASTA 格式。每条记录表示同一体系中的一条独立蛋白链：

>protein1
EVQLVESGGGVVQPGRSLRLS
>protein2
NFMLTQPHSVSVL
>peptide
ELFPQWHLPIKIAAIIAS

允许的蛋白字符为 ACDEFGHIKLMNPQRSTVWYX。存在蛋白输入时，平台会自动查询并缓存蛋白 MSA。

DNA Sequence

DNA 序列使用 FASTA 格式，每条记录表示同一体系中的一条独立 DNA 链：

>dna1
ATGCGTACGT
>dna2
NNATGC

允许的 DNA 字符为 ATGCNX。

RNA Sequence

RNA 序列使用 FASTA 格式，每条记录表示同一体系中的一条独立 RNA 链：

>rna1
AUGCGUACGU

允许的 RNA 字符为 AUGCNX。当前平台不会为 RNA 查询 MSA。

FASTA 通用要求

• 每条序列前必须有以 > 开头的标题行；
• 不允许空记录，也不允许在第一个标题行前出现序列；
• 空行和以 ; 开头的注释行会被忽略；
• 序列不区分大小写，读取后统一转换为大写；
• 单个 FASTA 文件不能超过 10 MiB。

Ligand

Ligand 支持 SMILES、CCD Code 和三维配体结构文件。文本文件中每个非空、非注释行表示一个独立配体实体：

CC(=O)O
CCD,ATP
CCD_ATP_HY3

三维配体文件支持 .pdb、.sdf、.mol 和 .mol2。CCD,ATP,HY3 会被解析为一个 CCD_ATP_HY3 配体实体。配体蛋白或多肽必须通过 Protein Sequence 输入。

Ion

支持逗号或换行分隔的离子代码，可使用 :数量 指定同种离子的数量，例如 MG:2,ZN,CU:3。

Modification

每行使用 实体编号,CCD编号,1-based位置。实体按照 Protein → DNA → RNA → Ligand → Ion 的顺序编号，且修饰只能作用于 Protein、DNA 或 RNA。

Covalent Bond

每行使用 实体编号,位置编号,原子名称;实体编号,位置编号,原子名称。实体编号与 Modification 保持一致，小分子或离子通常使用位置 1。

Template

Template 仅用于蛋白质输入，支持 .a3m 或 .hhr 文件，不接受 PDB 或 CIF 文件。模板信息会应用到输入中的第一条蛋白链。

Format

用于输出蛋白质结构的格式，可选 cif 或 pdb，默认为 cif。

Seed

用于控制预测过程随机性的随机种子，最多使用前 5 个，默认为1,39,248,1970,20967。

Checkpoint

模型参数，general 或 abag。 abag为在抗原抗体复合物上微调后的版本，默认为general。

MSA

用于跳过MSA检索，默认为使用MSA。

Output

指导输出最终结果包的名字

Batch Mode

Batch Mode 用于在一个任务中批量预测多个蛋白单体或蛋白复合物。该

动态计算量

≤ 5 条序列：500 计算量 / 条
第 6–100 条序列：300 计算量 / 条
超过 100 条的部分：100 计算量 / 条

Protein Sequence

蛋白质序列文件，FASTA 格式，支持多条序列。每条记录表示一个需要预测的结构，并且每条记录名称必须唯一。如果某条记录包含多条链，则不同链之间应使用英文冒号 : 连接。示例内容：

>1
EVQLVESGGGVVQPGRSLRLS:NFMLTQPHSVSVL:ELFPQWHLPIKIAAIIAS
>2
YYCAKDRRDMGYFQHWGQGTLVTVSSQWYQQRPGSAPTTVIYEDNQRPSGTPPTFMIAVFLPIVVLIFKSILFL

这表示需要预测两个结构。第一条记录名称为 1，包含三条由英文冒号分隔的蛋白质链。第二条记录名称为 2，包含一条链。

Ligand

包含小分子信息的 TXT 格式文本文件。支持 SMILES 或 CCD Code。如果使用 SMILES 格式，每行应包含一个小分子；如果使用 CCD Code，每行可以包含一个或多个小分子，多个小分子之间用英文逗号分隔。每一行表示一个需要预测的结构，并且每一行必须以唯一名称开头。该名称可以与 RNA、DNA 或 Protein 参数中的名称相同，表示该行中的所有配体属于同一个结构。名称和所有配体之间使用英文冒号 : 分隔。示例内容：

1:CC(=O)OC1C[NH+]2CCC1CC2:CCD,ATP,HY3
lig:CC1CC(CN2NC[N+](=C3CCC(OC(F)(F)F)CC3)C2=O)CC(C)C1OC(C)(C)C(=O)[O-]

这表示两条记录。第一条名称为 1，包含三个配体，其中一个为 SMILES，两个为 CCD 代码。由于该名称存在于 RNA、DNA 或 Protein 示例记录中，因此表示它们属于同一个结构。第二条记录名称为 lig，包含一个 SMILES 格式的配体。由于该名称未出现在 RNA、DNA 或 Protein 示例记录中，因此表示一个新的结构。

注意：
1.不适用于配体蛋白或多肽的氨基酸序列格式输入。
2.在预测每个结构的序列数量相同的情况下，可为所有待预测结构设置相同的小分子信息，设置方式为输入一行小分子信息（可多个），且不设置结构名称，如CC(=O)OC1C[NH+]2CCC1CC2:CCD,ATP，表示为所有结构都加入小分子CC(=O)OC1C[NH+]2CCC1CC2与ATP。

Format

用于输出蛋白质结构的格式，可选 cif 或 pdb，默认为 cif。

Seed

用于控制预测过程随机性的随机种子，最多使用前 5 个，默认为1,39,248,1970,20967。

Checkpoint

模型参数，general 或 abag。 abag为在抗原抗体复合物上微调后的版本，默认为general。

MSA

用于跳过MSA检索，默认为使用MSA。

Output

指导输出最终结果包的名字

Enhanced Mode

Enhanced Mode 用于对一个单体或复合物进行高精度、多候选预测。该模式固定使用 500 个唯一随机 seed，不能提交自定义 Seed；其余输入均按一个预测体系组织。Enhanced Mode 会生成大量候选结构，运行时间和计算量明显高于 Single Mode，适合对候选覆盖度和预测精度要求较高的任务。

Protein、DNA、RNA、Ligand 和 Ion 中至少需要提供一种分子输入；Modification、Covalent Bond 和 Template 不能单独构成预测任务。

Protein Sequence

使用 FASTA 格式，每条记录表示同一体系中的一条独立蛋白链。允许字符为 ACDEFGHIKLMNPQRSTVWYX，平台会自动查询并缓存蛋白 MSA。

>protein1
EVQLVESGGGVVQPGRSLRLS
>protein2
NFMLTQPHSVSVL

DNA Sequence

使用 FASTA 格式，每条记录表示同一体系中的一条独立 DNA 链。允许字符为 ATGCNX。

>dna1
ATGCGTACGT

RNA Sequence

使用 FASTA 格式，每条记录表示同一体系中的一条独立 RNA 链。允许字符为 AUGCNX，当前不查询 RNA MSA。

>rna1
AUGCGUACGU

Protein、DNA 和 RNA 均须遵循以下 FASTA 要求：

• 每条序列前必须有以 > 开头的标题行；
• 不允许空记录，也不允许在第一个标题行前出现序列；
• 空行和以 ; 开头的注释行会被忽略；
• 序列不区分大小写，读取后统一转换为大写；
• 单个 FASTA 文件不能超过 10 MiB。

Ligand

支持 SMILES、CCD,ATP / CCD_ATP 形式的 CCD Code，以及 .pdb、.sdf、.mol、.mol2 三维配体文件。每个有效输入行表示一个独立配体实体，配体蛋白或多肽必须通过 Protein Sequence 输入。

Ion

支持逗号或换行分隔的离子代码，可使用 :数量 指定同种离子的数量，例如 MG:2,ZN,CU:3。

Modification

每行使用 实体编号,CCD编号,1-based位置。实体按照 Protein → DNA → RNA → Ligand → Ion 的顺序编号，且修饰只能作用于 Protein、DNA 或 RNA。

Covalent Bond

每行使用 实体编号,位置编号,原子名称;实体编号,位置编号,原子名称。实体编号与 Modification 保持一致，小分子或离子通常使用位置 1。

Template

仅在存在 Protein Sequence 时支持 .a3m 或 .hhr 模板文件；不接受 PDB 或 CIF 模板。模板信息应用于第一条蛋白链。

Format

用于输出蛋白质结构的格式，可选 cif 或 pdb，默认为 cif 。

Checkpoint

模型参数，general 或 abag。 abag为在抗原抗体复合物上微调后的版本，默认为general。

MSA

用于跳过MSA检索，默认为使用MSA。

TFG Guidance

用于控制是否在推理阶段启用免训练引导（Training-Free Guidance, TFG）。开启后，模型将引入几何势能约束来动态修正采样轨迹，从而提升生成结构的物理合理性。默认：False

Output

指导输出最终结果包的名字

结果说明

Single Mode

Single Mode 输出一个体系排名前 5 的结果：

• rank_1.pdb 至 rank_5.pdb：按置信度排序的结构；
• rank_1_confidence.json 至 rank_5_confidence.json：对应结构的置信度信息；
• pred_scores_opendde.csv：排名前 5 的候选分数；
• final_results.tar.gz：全部有效 seed/sample 的 CIF 结构和对应置信度 JSON；
• result_manifest.json：任务输入、模型、参数和结果文件清单。

pred_scores_opendde.csv 字段

pDockQ2 的质量区间沿用 DockQ 分级：

Batch Mode

Batch FASTA 中的每条记录都会独立排序，并在 results/<记录名称>/ 下输出该记录的 rank_1.pdb 至 rank_5.pdb 及对应置信度 JSON。

任务根目录还会输出：

• pred_scores_opendde.csv：汇总全部 Batch 记录的有效候选分数；
• final_results.tar.gz：按记录名称和 seed 组织的 CIF 结构及对应置信度 JSON；
• result_manifest.json：所有 Batch 记录及结果文件清单。

Enhanced Mode

Enhanced Mode 与 Single Mode 使用相同的排名输出结构，但候选来自500 个 seed：

• rank_1.pdb 至 rank_5.pdb 及对应置信度 JSON；
• pred_scores_opendde.csv：排名前 5 的候选分数；
• final_results.tar.gz：全部有效 seed/sample 的 CIF 结构和对应置信度 JSON；
• result_manifest.json：任务参数和结果文件清单。

参考文献

• OpenDDE Project, Aureka AI Research. 2026, Folding, Reasoning, and Scaling with Open-source Drug Discovery Engine, arXiv, arXiv:2607.03787,DOI:10.48550/arXiv.2607.03787