SoupFold

简介

SoupFold 来自 KAIST 的 Hyosoon Jang、Taewon Kim 与 Sungsoo Ahn 在 2026 年 9 月提交的预印本 Co-folding with a Soup of Representations（arXiv:2609.15552）。不同共折叠模型面对同一复合物时，往往各自对一部分结构更准：有的把蛋白界面摆对，有的把配体姿势摆对。SoupFold 不重新训练这些模型，只学习小型表示转换网络，把同伴模型的成对表示映射到锚点模型的空间，与锚点自己的成对表示等权混合，再交给锚点模型的扩散模块生成坐标。

成对表示描述 token 两两之间的关系。体系有 N 个 token 时，它的形状是 N × N × D。Protenix 的通道数是 128，ESMFold2 是 256，OpenDDE 是 384。转换网络是宽度 1024 的 MLP，对每一对 token 独立作用，用均方误差让转换后的同伴表示接近锚点表示。论文在 2021 年 9 月 30 日之前的 PDB 复合物上训练这些小网络，基础预测模型保持冻结。

论文同时使用 AlphaFold 3、Protenix、ESMFold2 和 OpenDDE。AlphaFold 3 在论文中只作为同伴提供表示，不作锚点。本模块不包含 AlphaFold 3，可用模型是 Protenix、OpenDDE 和 ESMFold2。因此，论文里依赖 AlphaFold 3 作为同伴的数值不能直接当作本模块的结果。

在 FoldBench 上，按模型默认置信度选出的结构中，可接受预测比例为：抗体–抗原（170 个界面，DockQ ≥ 0.23）Protenix 47.65% → 61.76%，ESMFold2 52.35% → 62.94%，OpenDDE 59.41% → 68.24%。蛋白–配体成功标准是配体 RMSD < 2 Å 且 lDDT-PLI > 0.8；蛋白–蛋白仍用 DockQ。论文协议是 5 个种子、每个种子 5 个扩散样本，共 25 个结构，再按置信度取 1 个。本模块默认 1 个种子、5 个样本，再按锚点置信度排序。

活化态 GPCR 是论文用来说明互补信息的例子。AlphaFold 3 的配体 RMSD 为 0.96 Å，但 TM6 偏差为 3.93 Å；Protenix 的 TM6 偏差为 1.08 Å，配体却偏差 26.99 Å。以 Protenix 为锚点的 SoupFold 把两项分别收到 1.66 Å 和 1.67 Å，同时满足 TM6 < 3 Å 且配体 < 2 Å。OpenDDE 单独预测时 TM6 为 1.83 Å、配体为 5.76 Å。

在分子胶 8adm 上，四个独立模型的配体 RMSD 都大于 2 Å；SoupFold 示例为 1.12 Å，lDDT-PLI 为 0.83，并保留蛋白–蛋白界面。这些是已有实验结构上的计算基准，论文没有新增湿实验。融合也不保证每个任务都变好，例如 OpenDDE 在分子胶上的联合成功率在论文中下降了 4.55 个百分点。本模块默认组合是锚点 OpenDDE、同伴 Protenix；锚点留空时跟随该组合，组合留空时必须另选锚点。

一次预测先查询多序列比对，再分别计算锚点和同伴的成对表示，最后由锚点混合表示并采样 5 个结构。

唯信测试

从PDB数据库中选取近期发布的10个抗原-抗体复合物结构，对各模型组合、单模型进行预测精度测试，计算相应评价指标。
选取的结构信息如下：

评价指标信息：

测试结果：

参数说明

Single

Protein Sequence

蛋白序列文件，FASTA格式，支持多条序列。
注意：多蛋白复合物结构预测，其氨基酸序列输入格式如下：

>protein1
AASJ...
>protein2
AASJ...
>peptide
ASDF...

DNA Sequence

DNA序列文件，FASTA格式，支持多条序列。

RNA Sequence

RNA序列文件，FASTA格式，支持多条序列。

备注：当前支持计算的残基/碱基数量在1400个左右。

Ligand

文本文件包含小分子信息，TXT格式。支持SMILES或 CCD Code（化学组分词典编号）。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，使用逗号分隔，并加上CCD前缀。示例如下：

CC(=O)OC1C[NH+]2CCC1CC2
CCD,ATP,HY3,P1L
CCD,MG

注意：不适用于配体蛋白或多肽的氨基酸序列格式输入。

Modification

包含翻译后修饰（PTM）信息的文本文件，TXT格式。每行放置一个PTM信息，每个PTM信息由三部分组成：

• 发生PTM序列的顺序编号
• PTM类型的CCD编号
• 发生PTM的残基位置编号
  三部分由逗号分隔，例如：1,HY3,1 表示第一条序列的第一个残基，发生了类型为HY3（CCD编号，为3-羟基脯氨酸，为脯氨酸的羟基化）的PTM
  备注：
• 序列的顺序编号，是依次按上述参数Protein、DNA、RNA中的序列顺序与数量，从1开始进行编号，例如：当有2条蛋白序列，1条DNA序列，1条RNA序列时，各序列对应的编号为：第一条蛋白序列编号为1，第二条蛋白序列编号为2，DNA序列编号为3，RNA序列编号为4
• CCD的介绍参考https://www.wwpdb.org/data/ccd 编号查询网址为https://www.ebi.ac.uk/pdbe-srv/pdbechem/
  包含多个PTM信息的文件内容示例如下：

1,HY3,1
1,P1L,5
2,HY3,3

Covalent Bond

共价键信息的文本文件，TXT格式。每行放置一个共价键信息，每个共价键信息包含两个原子信息，每个原子信息由三部分组成：

• 原子所在序列或小分子的顺序编号（编号规则在Modification中定义的序列编号规则基础上，在最后加入小分子的顺序即可）

示例一：
当有2条蛋白序列，1条DNA序列，1条RNA序列，2个小分子时。对应的编号为：
第一条蛋白序列编号为1，第二条蛋白序列编号为2，DNA序列编号为3，RNA序列编号为4，第一个小分子对应的编号为5，第二个小分子对应的编号为6

示例二：
当有3条蛋白序列，2个小分子时。对应的编号为：
第一条蛋白序列编号为1，第二条蛋白序列编号为2，第二条蛋白序列编号为3，第一个小分子对应的编号为4，第二个小分子对应的编号为5

• 原子所在残基的位置编号（如残基为小分子时，编号为1）
• 原子的标准名称：
  • 默认是CCD中定义的原子标准名称
  • 如果配体是SMILES，则是SMILES字符串中原子对应的从1开始位置序号。

三部分由逗号分隔，

• 当小分子为CCD时，如3,1,CA表示第三个实体（序列或小分子）中的第一个残基（或小分子）的CA原子
  一个共价键是由两个原子信息组成，原子间用分号分隔，如：1,1,CA;2,1,CA
  表示一个共价键，该共价键由两个原子组成，第一个原子为1,1,CA，第二个原子为2,1,CA
  包含多个共价键信息的文件内容示例如下：

1,1,CA;2,1,CA
1,1,CA;3,1,CHA

• 当小分子为SMILES时，如CC(=O)NCCNC(C)=O，如果该小分子的顺序编号（按上述方式确认）为3，其第一个C原子参与形成共价键，与编号为1的链/序列中第一个残基的CA原子，则共价键的定义为1,1,CA;3,1,C1其中C1表示小分子的第一个C原子，如果是第二个C原子，用C2表示。
  文件内容示例如下：

1,1,CA;3,1,C1

Ion

离子名称，可以包含一个或多个离子，需写在一行文本中，不同的离子使用英文逗号分隔，支持输入离子数量，使用英文冒号分隔。示例如下：

MG:2,ZN,CU:3

表示2个MG离子，1个ZN离子，3个CU离子

Contacts

包含残基间、或原子间、或残基与原子间的距离限制信息的文本文件，每行定义一个距离限制信息。

每个距离限制的定义由四部分组成，每部分之间通过英文分号分隔：

• 残基1或原子1的信息
  残基信息由两部分组成：残基所在序列的顺序编号（见Covalent Bond参数中定义），残基的位置编号（从1开始顺序编号），使用英文逗号分隔。如：1,24表示第一条序列的第24个残基。
  原子信息由三部分组成：原子所在序列或小分子的顺序编号，原子所在残基的位置编号（如残基为小分子时，编号为1），原子的标准名称（见Covalent Bond参数中定义）

• 残基2或原子2的信息（同上）

• 最大距离（单位为埃）

• 最小距离（单位为埃）

包含多个距离限制信息的文件内容示例如下：

1,169;2,1,C5;6;0
1,24,CA;2,1;6;0
1,169;2,1;6;3
1,169,CA;2,1,C5;6;3

表示：

• 第一条序列的位置编号169的残基，与第二条序列1号残基(也可以是小分子）的C5原子，距离限制在0-6埃之间
• 第一条序列的位置编号24的残基的CA原子，与第二条序列1号残基，距离限制在0-6埃之间
• 第一条序列的位置编号169的残基，与第二条序列1号残基，距离限制在3-6埃之间
• 第一条序列的位置编号24的残基的CA原子，与第二条序列1号残基(也可以是小分子）的C5原子，距离限制在3-6埃之间

Pocket

结合位点类型限制信息的文本文件，TXT格式，当前只支持单个pocket信息。pocket信息由三部分组成：

• 序列或小分子Binder的顺序编号（见Covalent Bond参数中定义）。
• 结合位点的残基信息，每个残基信息由其所在序列编号与残基位置编号组成，逗号分隔，如：1,25 表示第一条序列中的第25个残基；可以定义多个残基信息，由英文分号“;”进行分隔，如1,25;1,27;1,32;1,38表示第一条序列中的第25/27/32/38号残基形成结合位点
• Binder与结合位点之间的最大距离（单位为埃），如6
  上述三部分信息之间也用英文分号“;”进行分隔，例如：2;1,55;1,62;1,91;1,92;1,99;1,110;6表示第二个实体（序列或小分子）作为Binder，与第一条序列的第55/62/91/92/99/110号残基所形成的结合位点进行结合，且两者之间的最大距离为6埃。
  文件内容示例如下：

2;1,55;1,62;1,91;1,92;1,99;1,110;6

Template Structure

可选。上传一个 mmCIF 或 PDB 文件作为自定义模板，一个文件可以包含多条蛋白链。对上的查询蛋白链只用这份结构，不再混入自动搜索到的 PDB 模板。没有对上的蛋白链仍自动搜索 PDB，模板发布日期晚于 2021-09-30 的不用。DNA、RNA 和配体不参与配对。

Template Chain Map

可选。指定查询蛋白链和模板链的对应关系，编号从 1 开始，只数蛋白链。例如 1:A,2:B 表示第 1 条查询蛋白链用模板的 A 链，第 2 条用 B 链。多个模板文件里链名重复时写成 1:2:A，表示第 1 条查询链使用第 2 个模板文件的 A 链。留空时用 kalign 按序列一致性自动配对，一致性低于 0.30 的查询链不使用该用户模板，改为自动 PDB 搜索。写明了对应关系但模板中没有该链或无法对齐时，作业失败。

Model Combination

推荐的模型组合，默认 opendde+protenix。opendde+protenix 表示锚点模型 OpenDDE、同伴模型 Protenix；protenix+opendde 表示相反。如果留空，则必须另外选择锚点模型（高级参数Anchor），否则报错退出。

Seed

随机种子。

Output Confidence

置信度表文件名，默认 soupfold_scores.csv。

Input JSON

Protenix 执行参数JSON配置文件。若同时上传了序列或小分子文件，以文件为准。

Anchor

锚点模型，单选，取值为 protenix、opendde、esmfold2。留空且模型组合不为空时跟随组合；填写后覆盖组合中的锚点。模型组合为空时必须选择，否则报错退出。

Peers

同伴模型，可多选，取值为 protenix、opendde、esmfold2。留空时使用模型组合中的同伴，并自动去掉与锚点相同的模型。

Batch

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

蛋白的序列文件，FASTA格式，支持多条序列。
每一条记录代表一个待预测的结构，每条记录的名称要唯一不能重复。一条记录中有多条链时，通过英文冒号（:）相连，文件内容示例如下：

>1
EVQLVESGGGVVQPGRSLRLS:NFMLTQPHSVSVL:ELFPQWHLPIKIAAIIAS
>2
YYCAKDRRDMGYFQHWGQGTLVTVSSQWYQQRPGSAPTTVIYEDNQRPSGTPPTFMIAVFLPIVVLIFKSILFL

表示有两个待预测的结构，第一条记录的名称为1，有三条蛋白链，用:进行分隔。第二条记录的名称为2，为单链。

DNA Sequence

DNA核酸的序列文件，FASTA格式，支持多条序列。
每一条序列记录代表一个待预测的结构，每条记录的名称要唯一不能重复（可与Protein参数中的记录名称一致，表示该记录的DNA序列与Protein序列归属于同一结构）。一条记录中有多条链时，通过英文冒号（:）相连，文件内容示例如下：

>dna
GACCTCT:CCTAGCT
>1
CCTAGCT

表示有两条记录，第一条的名称为dna，有两条DNA链，用:进行分隔，因为该名称不存在与Protein示例记录中，属于新结构。第二条的名称为1，有一条DNA链，因为该名称存在于Protein示例记录中，则表示同属一个结构（该结构同时包含Protein序列和该DNA序列）。

RNA Sequence

RNA核酸分子的序列文件，FASTA格式，支持多条序列。
每一条序列记录代表一个待预测的结构，每条记录的名称要唯一不能重复（可与DNA或Protein参数中的记录名称一致，表示该记录的RNA序列与上面的DNA序列或Protein序列归属于同一结构）。一条记录中有多条链时，通过英文冒号（:）相连，文件内容示例如下：

>1
AGCU
>rna
AGGCU:UGAUC

表示有两条记录，第一条的名称为1，为单链，因为该名称存在于DNA及Protein示例记录中，表示同属一个结构（该结构同时包含了Protein序列、DNA序列及该RNA序列）。第二条的名称为rna，有两条RNA链，用:进行分隔，因为该名称不存在于DNA或Protein示例记录中，属于新结构。

Ligand

文本文件包含小分子信息，TXT格式。支持SMILES或 CCD Code（化学组分词典编号）。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，使用逗号分隔。
每行代表一个待预测的结构，每行可放置多个ligand，且以唯一不重复的名称开头（该名称可与上述RNA，DNA或Protein参数中的记录名称一致，表示该行的所有ligands，与上述的RNA或DNA或Protein序列归属于同一结构），名称与所有ligands都以英文冒号（:）分隔。文件内容示例如下：

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-]

表示有两条记录，第一条的名称为1，有三个ligand（一个SMILES，两个CCD codes），因为该名称存在于上述的RNA或DNA或Protein示例记录中，表示同属一个结构。第二条的名称为lig，有一个ligand（为SMILES），因为该名称不存在上述的RNA或DNA或Protein示例记录中，属于新结构。
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。

Modification

包含翻译后修饰（PTM）信息的文本文件，TXT格式。每个PTM的信息与Single模式中一致（参考Single模式中的定义）。
每行定义一个结构的所有PTM信息，且以唯一名称开头（该名称必须存在于前述的Protein或DNA或RNA记录中），都以英文冒号（:）分隔。文件内容示例如下：

1:1,HY3,1:1,P1L,5:2,HY3,3
2:1,HY3,1:2,HY3,3

表示前述名称为1的结构中（Protein或DNA或RNA），有三个PTM。名称为2的结构中，有两个PTM。
注意：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PTM信息，设置方式为输入一行PTM信息，且不设置结构名称，如：1,HY3,1:1,P1L,5:2,HY3,3表示这些PTM信息将应用到所有结构。

Ion

离子名称，可以包含一个或多个离子，需写在一行文本中，不同的离子使用英文逗号分隔，支持输入离子数量，使用英文冒号分隔。每行定义一个结构的所有离子信息，且以唯一名称开头，都以英文冒号（:）分隔。文件内容示例如下：

1:MG:2,ZN,CU:3

表示前述名称为1的结构中，有2个MG离子，1个ZN离子，3个CU离子
注意：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离子信息，设置方式为输入一行离子信息，且不设置结构名称，如：MG:2,ZN,CU:3，表示这些离子信息将应用到所有结构。

Covalent Bond

共价键信息的文本文件，TXT格式。每个共价键的信息与Single模式中一致（参考Single模式中的定义）。
Batch模式下，每行定义一个结构的所有共价键，且以唯一名称开头（该名称必须存在于前述的Protein或DNA或RNA记录中），都以英文冒号（:）分隔。文件内容示例如下：

1:1,1,CA;2,1,CA:1,1,CA;3,1,CHA
2:1,1,CA;3,1,CHA

表示前述名称为1的结构中（Protein或DNA或RNA），有两个共价键。名称为2的结构中，有一个共价键。
注意：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共价键信息，设置方式为输入一行共价键信息，且不设置结构名称，如：1,1,CA;3,1,CHA表示该共价键信息将应用到所有结构。

Contact

接触类型限制信息的文本文件，TXT格式。每个接触信息的定义与Single模式中一致（参考Single模式中的定义）。
Batch模式下，每行定义一个结构的所有接触信息，且以唯一名称开头（该名称必须存在于前述的Protein或DNA或RNA记录中），都以英文冒号（:）分隔。文件内容示例如下：

1:1,35;2,62;6.0
2:1,48;2,CA;6.0:1,35;2,62;6.0

表示前述名称为1的结构中（Protein或DNA或RNA），有一个接触限制。名称为2的结构中，有两个接触限制。
注意：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接触信息，设置方式为输入一行接触信息，且不设置结构名称，如：1,35;2,62;6.0表示该Contact信息将被应用到所有结构。

Pocket

结合位点类型限制信息的文本文件，TXT格式。每个结合位点信息的定义与Single模式中一致（参考Single模式中的定义）。
Batch模式下，每行定义一个结构的所有结合位点限制信息，且以唯一名称开头（该名称必须存在于前述的Protein或DNA或RNA记录中），都以英文冒号（:）分隔。文件内容示例如下：

1:2;1,55;1,62;1,91;1,92;1,99;1,110
2:1;2,15;2,17;2,18;2,56:1;3,76;3,78;3,96

表示前述名称为1的结构中（Protein或DNA或RNA），有一个结合位点限制。名称为2的结构中，有两个结合位点限制。
注意：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限制信息，设置方式为输入一行限制信息，且不设置结构名称。如：2;1,55;1,62;1,91;1,92;1,99;1,110表示该pocket信息将被应用到所有结构。

Template Structure / Template Chain Map

同 Single。批量提交时，同一份模板和链对应会用于每一个体系。

Model Combination

同 Single。

Seed

同 Single。

Output Structure / Output Confidence

默认 final_results.tar.gz 和 soupfold_batch_scores.csv。压缩包内结构文件带体系名前缀，例如 job1_rank_1.cif。

Input JSON / Anchor / Peers

同 Single。Input JSON 在批量模式可以是包含多个体系的 JSON 数组。

结果说明

打分文件的指标列与锚点模型单独使用时的打分表一致，数值保留 4 位小数。name、metric、score 三种锚点都有。其余列只在对应锚点下出现。

pDockQ2 阈值（继承自 DockQ）：

参考文献

Jang H, Kim T, Ahn S. Co-folding with a Soup of Representations. arXiv:2609.15552, 2026.DOI: arXiv:2609.15552