研究者提出全原子结构 tokenizer 并训练 AtomLM-9b 预测生物分子结构
All-Atom Structure Tokenizer: AtomLM-9b for Biomolecular Structure Prediction
研究团队提出全原子结构 tokenizer,将生物分子几何压缩为 8,192 个离散结构 token,在 CASP14 和 CASP15 上的全原子 lDDT 分别为 0.832 和 0.835。
预印本 · biorxiv · 10.64898/2026.11.03.763913
本站摘要基于收录版本 v1(2026-11-06),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v2
我们开发了一种全原子结构分词器(All-atom Structure Tokenizer),它将生物分子几何结构压缩为离散的结构 token,并实现高精度的全原子重建。一个分层几何编码器和有限标量量化将化学单元映射到包含 8,192 个 token 的共享词表,而一个联合坐标反分词器则重建主链、侧链、核酸和配体重原子。该分词器在 CASP14 和 CASP15 上分别取得 0.832 和 0.835 的全原子 lDDT 分数。在此分词器的基础上,我们训练了 AtomLM-9b,这是一个基于 Qwen3.5-9B 的自回归语言模型,它从分子身份和连接关系预测结构 token,并将其解码为完整的原子结构。我们首次证明,基于全原子分词器的结构语言模型能够实现与 AlphaFold 3 相媲美的蛋白质结构预测性能:在 FoldBench 蛋白质-蛋白质任务上,AtomLM-9b 达到 75.01% 的成功率,而已发表的 AlphaFold 3 结果为 72.93%。这些结果确立了离散全原子分词化作为高保真原子重建与基于语言模型的结构预测之间有效接口的地位。
来源:bioRxiv · biorxiv.org