PXDesign 是一个集成了生成和置信度的过滤功能的统一框架。
1、文章测试了两种生成策略：diffusion-based（需要进行训练）和 hallucination-based（不需要进行训练）的生成方法，并针对可扩展性和效率进行了架构和算法方面的改进
2、过滤策略和模型衍生评分：文章构建并评估了基于置信度的过滤器，这些过滤器分别来自 Protenix 和基于 AlphaFold 的模型，使用的数据集包括曹龙兴数据、RFDiffusion、EGFR 和 SKEMPI。文章的结果突显了替代预测因子的价值，并展示了过滤策略如何以互补的方式影响多样性和产量
3、跨靶点的实验验证：文章通过体外表达和结合实验，对 PXDesign 在6个不同的蛋白质靶点上进行了评估。在所有评估的靶点上，PXDesign 的性能均优于 AlphaProteo，在 IL-7RA、PD-L1、VEGF-A、SC2RBD 和 TrkA 上的命中率高出 2 到 6 倍
1 过滤器
1、筛选和排序对于将大量生成的设计转化为有希望的候选方案的重点候选名单至关重要
2、过滤器要有效富集真正的结合物，而且计算成本要低、而且要兼顾多样性
2 生成器
1、diffusion-based（需要进行训练）：生成模型，通常是去噪扩散模型，经过训练以根据目标条件对 binder 结构进行采样。这些方法需要微调或从头开始训练。例如 RFDiffusion、 RFDiffusion-AA、GeoFlow-v2 和 Chai-2
2、hallucination-based（不需要进行训练）：通过冻结结构预测器进行反向传播，直接优化序列，目标是获得高置信度分数，例如 pLDDT 或 ipTM。代表性工具包括 BindCraft 和 BoltzDesign1
3、将基于扩散的 PXDesign-d 与基于幻觉的方法（包括 Protenix 的 PXDesign-h、BindCraft 和 BoltzDesign1）直接比较，结果显示： PXDesign-d 的生成速度更快、通过率更高，因此在 24 小时内生成的成功设计数量超过任何基于幻觉的方法。虽然基于幻觉的方法在有针对性的、小规模优化方面仍然具有竞争力，但扩散方法更适合大规模的探索性设计
3 体外实验
1、选择靶点：白细胞介素-7 受体 α (IL-7RA)、SARS-CoV-2 受体结合域 (SC2RBD)、程序性死亡配体 1 (PD-L1)、原肌球蛋白受体激酶 A (TrkA)、血管内皮生长因子 A (VEGF-A) 和肿瘤坏死因子-α (TNF- α )，选择这些靶点是因为它们具有生物学相关性和多样化的设计挑战
2、通过筛选的设计使用 Foldseek 按结构相似性进行聚类，并从每个聚类中选择 Protenix ipTM 排名最高的代表，最终每个靶点得到 8–18 个候选设计
4 局限和挑战
1、不同 target 的置信度得分差异显著，使得调整和选择统一阈值变得极具挑战
2、设计流程依赖多个步骤包括生成、结构预测、过滤和聚类，每个步骤都有其自身的计算成本和潜在的误差传播风险
5 从蛋白质 binder 到分子设计的统一模型
由于文章的扩散生成器和幻觉生成器都基于（或密切衍生自）Protenix 结构预测框架，因此它们也具备模拟多种生物分子靶标的能力，包括核酸、小分子和翻译后修饰的蛋白质。原则上，相同的生成-过滤流程可以应用于这些模型
