共折叠模型能成为药物发现底座吗？OpenDDE 给出了一种开源路线

文献来源

论文标题： Folding, Reasoning, and Scaling with Open-source Drug Discovery Engine 项目： OpenDDE Project, Aureka AI Research 研究方向： 生物分子结构预测、全原子共折叠、抗体-抗原复合物预测、AI 制药基础模型 代码链接： https://github.com/aurekaresearch/OpenDDE。

摘要

OpenDDE 试图回答一个对 AI 制药非常关键的问题：如果结构预测不只是终点，而是药物发现系统中的共享结构推理层，那么开源模型能否接近闭源前沿系统的共折叠能力？这篇工作提出一个 655M 参数的全原子生物分子基础模型，将序列、MSA、模板、原子与约束特征编码为残基级和结构 token 表示，再通过结构 token 推理、全原子扩散生成、界面形状互补损失和条件扩散训练，实现结构预测与条件设计的统一。实验上，OpenDDE 在抗体-抗原 benchmark 上取得明显优势，并展示了训练规模与测试时采样规模带来的性能提升。但它目前仍主要是一个以折叠为核心的开放结构模型，并不等同于完整 AI 药物发现系统，蛋白-小分子对接、亲和力预测、虚拟筛选和实验闭环仍有待验证。

为什么这篇论文值得关注？

AI 制药这几年有一个明显趋势：模型正在从单点任务工具，走向可以复用的生物分子基础层。

早期很多模型只解决一个窄任务，例如蛋白单体结构预测、蛋白-配体 pose 预测、抗体建模、binder 设计或亲和力预测。这样的模型有价值，但难以构成统一的药物发现平台。真正对药物发现有长期意义的模型，往往需要同时具备三种能力：理解生物分子之间的相互作用，生成全原子结构，并能够在不同条件下服务于设计、打分、优化和验证。

OpenDDE 的切入点正是共折叠。所谓共折叠，不是只预测一个蛋白单体，而是联合建模蛋白、核酸、小分子、离子、修饰残基等复杂体系的三维结构。论文把 OpenDDE 定义为一个开源、全原子、生物分子基础模型，并强调它不只是结构预测模型，而是面向后续 de novo design、亲和力估计、结构条件优化等任务的结构推理底座。

这篇文章值得关注，不是因为它声称已经完成了 AI 药物发现全流程，而是因为它把三个问题放在了一起：

第一，前沿共折叠能力能否开源化、可复现化； 第二，结构预测和条件设计能否在同一个扩散框架中统一； 第三，生物分子基础模型是否开始进入类似大语言模型的 scaling 阶段。

这三个问题都直接影响 AI 制药模型未来的工程形态。

研究背景：共折叠为什么重要？

药物发现的核心不是单个分子的孤立结构，而是分子之间的相互作用。一个抗体是否能结合抗原，一个小分子是否能进入口袋，一个 binder 是否能识别靶蛋白，一个核酸-蛋白复合物是否形成稳定界面，本质上都依赖复合物结构。

AlphaFold2 让蛋白单体结构预测达到很高水平，AlphaFold3 进一步把任务扩展到蛋白、核酸、小分子、离子和修饰残基的联合全原子建模。论文也提到，AlphaFold-style 和结构条件模型已经开始被用于表位预测、binder 设计、虚拟筛选、构象采样和实验流程解释。

但对 AI 制药而言，结构预测模型还有几个关键瓶颈。

第一，开放性瓶颈。 最强模型往往闭源，外部研究者难以独立验证训练数据、推理流程、后处理策略和 benchmark 设置。对于药物发现这种高风险场景，不能复现意味着很难建立信任。

第二，界面建模瓶颈。 抗体-抗原、蛋白-蛋白、蛋白-核酸、蛋白-小分子复合物的难点不只是把两个分子放近，而是要准确恢复界面几何：朝向是否正确，表面是否互补，原子是否冲突，局部 packing 是否合理。

第三，任务割裂瓶颈。 结构预测、条件生成、binder 设计、构象采样和亲和力估计常常被做成不同模型。这样会导致表示不统一、训练数据不能共享、下游扩展成本高。

第四，scaling 路径不清晰。 大语言模型的经验告诉我们，数据、参数和计算规模可以系统提升能力。但在生物分子结构模型中，性能提升到底来自更多数据、更大模型、更好的结构表示，还是更强推理采样，目前仍缺少足够开放的研究平台。

OpenDDE 的意义就在这里：它试图把开源共折叠、结构推理、条件扩散生成和 scaling 分析放到同一个系统中。

以往方法卡在哪里？

从技术路线看，以往方法大致可以分为四类。

单体结构预测模型：强在折叠，弱在相互作用

AlphaFold2 类型模型擅长从序列、MSA 和模板中恢复蛋白单体结构，尤其适合稳定折叠域。但药物发现更关心的是分子识别界面。单体结构正确，不等于复合物界面正确；蛋白主体 RMSD 很低，也不代表抗体 CDR loop 或配体结合口袋的局部构象足够准确。

共折叠模型：能力强，但开放性和可复现性不足

AlphaFold3 把共折叠推向全原子复杂体系。后续 Chai-1、Boltz-1、OpenFold3、Protenix 等工作也在推进开放共折叠模型。但论文认为，目前最强系统仍然闭源，训练配方、数据混合、推理策略和工程细节不透明，限制了独立验证和社区扩展。

对接与虚拟筛选模型：更接近药物任务，但结构推理层不够统一

小分子对接、亲和力预测和虚拟筛选模型直接面向药物发现，但很多方法仍把口袋结构、配体构象和打分排序拆开处理。深度学习对接模型虽然提高了 pose 采样能力，但在物理合理性、蛋白柔性、分布外泛化和筛选排序方面仍有明显不稳定性。

OpenDDE 当前并不声称解决小分子对接和虚拟筛选，它更像是提供一个上游结构底座。论文明确指出，目前模型主要聚焦蛋白-蛋白和抗体-抗原相互作用，而不是蛋白-小分子复合物；作者还观察到蛋白-蛋白界面表现与蛋白-配体 pose 预测之间相关性有限。

生成式设计模型：有设计潜力，但常与结构预测割裂

RFdiffusion、BindCraft、BoltzGen 等方法已经展示了生成式蛋白设计能力。但许多设计流程仍依赖多模型串联：一个模型生成骨架，一个模型设计序列，一个模型复核结构，一个模型打分筛选。这种流程有效，但模型之间目标不完全一致，误差会层层传递。

OpenDDE 的思路是把结构预测和条件设计统一为一个条件扩散问题：已知部分结构作为条件，未知部分作为生成目标。这个设计在概念上很重要，但当前论文对真实 de novo design 的实验验证仍然有限。

这篇论文的核心思想

OpenDDE 的核心不是简单做一个更大的 AlphaFold3 复现，而是提出一个粗到细的全原子结构生成框架。

它的主线可以概括为：

先在残基级 token 上建立全局关系，再把残基拆成更细的结构 token，经过结构推理后，用扩散模型生成全原子坐标；同时通过条件 mask，把结构预测和 de novo design 统一为同一个条件去噪任务。

这个设计有三个关键点。

第一，模型不直接从序列跳到坐标，而是在 latent space 中先推理分子关系。论文称之为 atomic latent reasoning 或 structure reasoning。残基级表示负责全局关系，结构 token 负责局部化学角色，扩散模块负责坐标生成。

第二，模型把界面几何作为专门学习目标，而不是只依赖普通坐标误差。OpenDDE 引入形状互补损失，用表面朝向、法向量关系、界面间距和 clash 惩罚来约束复合物界面。

第三，模型用 known-target atom masks 统一预测和设计。没有已知原子时，就是完整结构预测；固定一部分链、motif、口袋或结构上下文时，就是围绕条件进行目标结构生成。

5. 方法细节：OpenDDE 到底是怎么做的？

5.1 任务定义与输入输出

OpenDDE 面向的是全原子生物分子结构生成。输入可以包括：

• • 序列特征
• • 原子特征
• • MSA 特征
• • 模板特征
• • 约束特征
• • 条件生成中的 known/target atom masks

输出包括：

• • 全原子三维坐标
• • 残基级或结构级置信度
• • 距离预测相关输出

论文把 OpenDDE 描述为 coarse-to-fine molecular structure generation model。模型先编码序列、原子、MSA、模板和约束特征，形成残基 token 表示；然后扩展为结构 token；最后通过扩散坐标生成器预测全原子坐标。

5.2 数据表示：从残基 token 到结构 token

OpenDDE 的表示分两层。

第一层是residue-token representation。这一层类似 AlphaFold 系列中的单体表示和 pair 表示：

• • 单体表示 S 记录每个 token 的上下文信息；
• • pair 表示 Z 记录 token-token 之间的关系；
• • Pairformer-style trunk 通过 single update、pair update、triangular update 等操作建模全局几何约束。

第二层是structural-token representation。这是 OpenDDE 方法中的重点。

传统残基 token 太粗，一个氨基酸被压缩成一个节点，但真实化学结构中，主链、侧链、碱基、配体原子承担的角色完全不同。OpenDDE 因此把残基或分子单元展开成更细粒度的结构 token，包括：

• • 蛋白 backbone token
• • 蛋白 side-chain token
• • 核酸 backbone token
• • 核酸 base token
• • ligand / atom token

这一步的意义在于，模型不再把一个残基看作没有内部结构的整体，而是显式区分哪些部分决定主链几何，哪些部分决定侧链 packing，哪些部分参与界面识别。

5.3 模型结构：Pairformer trunk + Structural Refiner + Diffusion Generator

OpenDDE 的主要模块如下。

第一层：Pairformer-style residue trunk

输入序列、MSA、模板、原子和约束特征后，模型先构建残基级单体状态和 pair 状态。论文报告 OpenDDE 有 655M 训练参数，Pairformer blocks 为 48，Pairformer hidden dimension 从 AlphaFold3 的 128 扩大到 384；作者指出，这会使 Pairformer 参数量约增加 3 倍，计算成本约增加 9 倍。

这个模块回答的是粗粒度问题：哪些残基可能接近，哪些链可能相互作用，哪些局部结构受到长程约束。

第二层：Structural Token Expander

模型把残基级输出扩展为结构 token 图。每个结构 token 是一个节点，两个结构 token 之间的 pair representation 是边。结构 token 初始化时不仅继承父残基表示，还加入结构角色编码。例如主链、侧链、碱基、配体 token 会拥有不同 role embedding。

论文中定义的结构 token 图可理解为：

残基级表示 → 结构角色拆分 → 结构 token 图

这一层的重点是把化学角色暴露给模型，而不是让扩散模块自己从坐标损失中间接学出来。

第三层：Structural Refiner

Structural Refiner 在结构 token 图上做细粒度关系推理。它使用 pair-conditioned attention，让一个结构 token 关注其他结构 token，同时注意力权重受到 pair representation 调制。

更关键的是 triangular pair updates。三角更新的作用是让 token-token 关系不再独立更新，而是通过第三个 token 传播几何一致性。比如结构 token u 和 v 的关系，可以通过它们与 k 的关系共同修正。这对复合物界面很重要，因为真实分子结构不是两两距离的简单集合，而是大量三体、多体几何约束共同决定的结果。

第四层：Diffusion-based coordinate generator

经过结构 token 推理后，扩散模块生成全原子坐标。论文报告扩散 transformer blocks 为 24，diffusion atom encoder blocks 和 decoder blocks 各为 3。采样时 sample_diffusion.N_step 为 20，默认 sample 数为 5。

这里的扩散对象是原子三维坐标。模型不是生成 SMILES，也不是只生成残基距离图，而是在 refined structural-token features 条件下对原子坐标进行去噪。

5.4 扩散过程：预测与设计为什么能统一？

OpenDDE 的扩散训练有一个关键机制：known-target atom masks。

对每个训练样本，模型定义两类原子：

• • known atoms：作为固定结构条件输入；
• • target atoms：作为需要预测或生成的目标。

普通结构预测是特殊情况：没有 known atoms，所有 resolved atoms 都是 target。 条件设计是另一种情况：固定一部分链、motif、口袋或结构上下文，只对剩余部分加噪并生成。

训练时，真实坐标先经过随机刚体增强：

X0 → R X0 + t

普通结构预测中，高斯噪声加到所有监督原子上。 条件设计中，噪声只加到 target atoms 上，known atoms 保持固定，作为结构条件参与推理。

去噪网络接收 noisy coordinates、时间步、结构 token 表示、输入特征和 known mask，预测干净坐标。扩散损失主要施加在 target atoms 上。这样，当 known mask 为空时，模型学习完整结构预测；当 known mask 不为空时，模型学习在固定上下文下生成目标区域。

这使得 OpenDDE 不需要单独设计一个 de novo design architecture。设计任务被转化为 masked molecular generation。

5.5 界面形状互补损失：让模型学会分子如何结合

只用坐标误差训练复合物模型有一个问题：两个分子可以整体距离接近，但界面朝向、局部凹凸、原子接触仍然不合理。OpenDDE 因此引入 shape-complementarity objective。

这个损失大致做了四件事。

第一，为每个 active token 定义中心点。残基 token 可以用代表性原子，侧链 token 可以用受监督原子的质心。

第二，根据同一条链周围原子密度估计局部表面法向量。直观理解，模型在判断这个 token 所处表面朝向哪里。

第三，对跨链 token pair 计算多个几何因子：

• • 两个表面是否面对彼此；
• • 法向量是否呈互补关系；
• • token 间距是否接近合理 gap；
• • 是否存在过近导致的 steric clash。

第四，把这些因子组合为 pairwise shape-complementarity score，并与真实结构中计算得到的 score 对齐。损失采用 pair-level、token-level 和 global-level 的 Huber 监督。

这一步非常关键。它让模型不是只学原子点位，而是学习界面的几何兼容性。对于抗体-抗原、蛋白-蛋白和蛋白-核酸界面，这比单纯降低坐标误差更接近真实分子识别。

5.6 全原子局部 refinement：侧链和局部坐标系不能被忽略

OpenDDE 还加入了局部全原子监督。原因很简单：全局坐标误差可以惩罚原子偏移，但不一定能很好约束残基内部几何，尤其是侧链 rotamer、核酸碱基取向和配体局部 packing。

因此模型把预测原子和真实原子变换到对应结构 token 的局部坐标系中，再计算 SmoothL1 loss。对蛋白侧链，还加入 torsion angle loss，用 1 - cos 形式约束 χ 角。对侧链和核酸碱基原子，则继承父 backbone token 的局部坐标系进行监督。

最终几何损失可以概括为：

Lgeom = Ldiff + λshape Lshape + λlocal Llocal + λsc/base Lsc/base + λχ Lχ

这说明 OpenDDE 的训练目标不是单一 diffusion loss，而是把全局去噪、界面互补、局部坐标和扭转角监督组合起来。

5.7 训练数据与训练日程

OpenDDE 的训练数据遵循 AlphaFold3、Protenix 和 ESMFold2 等数据构建协议。为避免测试集泄漏，ground-truth structures 和 template databases 使用 2021-09 作为 cutoff。训练资源包括 weighted PDB、AFDB-multimer、Teddymer reproduction、MGnify long/short monomer、Swiss-Prot、disordered motifs 和 SAbDab 抗体结构。

训练采用 warmup 加四个主要阶段。整体思路是从高质量实验结构学习精确局部几何，再引入蒸馏数据扩展结构空间覆盖，最后回到高质量和任务相关数据以提升界面拟合与置信度校准。

几个细节值得注意：

• • crop tokens 从 384 增加到 544，再到 768；
• • max atoms 从 3500 增加到 6000，再到 7500；
• • SAbDab 比例在后期提高，最高达到 13%；
• • de novo design probability 在 Stage III 设为 0.1，在 Stage IV(b) 提高到 0.2；
• • Stage IV(a) 冻结主要模块，只训练 confidence head；
• • Stage IV(b) 在更大 crop size 下继续训练全模型。

计算成本也非常高：论文报告数据预处理使用 10 × 8 张 NVIDIA 80GB GPU 约五周，模型训练使用 50 × 8 张 NVIDIA 80GB Ampere GPU 六周，再用 8 × 8 张 NVIDIA 141GB Hopper GPU 训练一周，总训练成本约 414K GPU-hours。

这意味着 OpenDDE 虽然开源，但完整训练并不轻量。它更像是一个社区可复现、可扩展的基础设施，而不是普通实验室可以随意从零训练的小模型。

5.8 方法流程小结

OpenDDE 的完整流程可以概括为：

1. 1. 输入序列、MSA、模板、原子特征和约束特征；
2. 2. Pairformer-style trunk 构建残基级 single 和 pair 表示；
3. 3. Structural Token Expander 将残基拆分为 backbone、side-chain、base、ligand/atom 等结构 token；
4. 4. Structural Refiner 在结构 token 图上通过 pair-conditioned attention 和 triangular updates 做细粒度几何推理；
5. 5. Diffusion coordinate generator 在 refined structural-token features 条件下去噪生成全原子坐标；
6. 6. Shape-complementarity loss 约束界面朝向、间距和 anti-clash 行为；
7. 7. Local-frame 和 torsion supervision 改善局部 packing；
8. 8. known-target masks 将完整结构预测和条件设计统一为同一个条件扩散任务。

6. 实验设计与关键结果

6.1 抗体-抗原 benchmark：OpenDDE 最突出的结果

论文最核心的结果集中在抗体-抗原结构预测。作者比较了 AlphaFold3、Chai-1、Boltz-1、OpenFold3、Protenix-v1、ESMFold2 和 OpenDDE，在 PXMeter-AB、FoldBench-AB 和 2026ARK-AB 三个 benchmark 上评估。

指标使用 DockQ success rate，并按照 DockQ 阈值拆分为：

• • DockQ > 0.23：acceptable；
• • 0.49 < DockQ ≤ 0.8：medium；
• • DockQ > 0.8：high quality。

在 ranking-based selection 下，OpenDDE 达到：

• • PXMeter-AB：51.0%
• • FoldBench-AB：70.0%
• • 2026ARK-AB：66.4%

论文指出，这些提升不只是低阈值成功率提高，OpenDDE 在 medium 和 high DockQ 区间也有更高比例，说明它更好地恢复了抗体-抗原界面几何，而不是只生成勉强接近的复合物。

6.2 2026ARK-AB：强调新结构和低同源泛化

2026ARK-AB 是论文新整理的 benchmark，包含 164 个 PDB complexes，对应 159 个 unique antibody-antigen interface clusters。作者使用 SAbDab 注释抗体-抗原界面，并用 MMseqs2 easy-cluster 进行聚类，最低序列一致性阈值为 40%，alignment coverage 为 80%。这个 benchmark 旨在评估较新、低同源体系上的预测能力。

在该 benchmark 上，OpenDDE ranking success rate 为 66.4%，高于 ESMFold2 的 51.0%、Protenix-v1 的 50.0%、OpenFold3 的 21.9%、Boltz-1 的 25.0% 和 Chai-1 的 16.7%。这说明 OpenDDE 的优势在较新抗体-抗原体系上仍能保持。

6.3 Oracle 结果：模型会生成好结构，但不一定总能选出来

论文还评估 oracle selection，即从模型生成的候选中用真实 DockQ 选择最佳结构。这个设置不是实际可用性能，而是模型采样能力的上限。

OpenDDE 的 oracle success rate 为：

• • PXMeter-AB：65.9%
• • FoldBench-AB：81.9%
• • 2026ARK-AB：80.1%

这些数值明显高于 ranking-based performance，说明 OpenDDE 经常能生成高质量结构，但置信度排序或候选选择还没有完全把这些结构选出来。

这对后续开发很重要。很多模型的瓶颈不一定在采样，而在 ranking。对 AI 制药而言，生成一个正确构象但排在后面，和没有生成一样，都会影响真实使用。因此置信度校准、候选重排序和任务特异性打分可能是 OpenDDE 后续提升的关键。

6.4 Scaling laws：性能随训练规模提升，但不是只靠堆算力

论文比较了 OpenDDE、AlphaFold3、Protenix-v1、Protenix-v2、SeedFold 和 ESMFold2 在抗体-抗原预测中的表现，并用两个量估计训练规模：

• • estimated training tokens = training steps × GPUs/batch size × crop tokens；
• • estimated training cost = estimated training tokens × trainable model parameters。

OpenDDE 的 estimated training tokens 约为 2.04 × 10¹⁰，training cost 约为 1.33 × 10¹⁹。论文观察到训练规模和抗体-抗原性能之间存在正相关，并且曲线呈现平滑、次线性提升趋势。

但这里不能简单理解为模型越大越好。论文也承认，不同模型偏离 scaling trend 的现象说明结构、数据质量和训练策略同样重要。对生物分子模型而言，scaling 不是单纯扩大参数，而是数据、tokenization、损失函数、推理策略和工程优化的系统扩展。

6.5 Test-time scaling：多采样确实有效，但 ranking 仍是瓶颈

OpenDDE 还测试了不同随机种子数量下的推理性能。每个 target 生成多个 stochastic samples，再用模型 ranking score 选择最终结构，同时报告 oracle 结果。

在 FoldBench-AB 上，增加 seeds 使 ranking-based high-DockQ rate 从约 28% 提升到约 34%；在 2026ARK-AB 上，从约 35% 提升到约 38%。Oracle 曲线提升更明显：FoldBench-AB 从约 66% 提升到 90% 以上，2026ARK-AB 也从约 67% 接近 90%。

这说明测试时增加采样确实能暴露更好的抗体-抗原构象，但能否把好构象选出来仍取决于 ranking。未来如果能提高 confidence head 或重排序模型，实际性能还有明显提升空间。

6.6 FoldBench 总体任务：优势集中在 interaction-heavy systems

在 FoldBench 总体评估中，OpenDDE 在多个任务上表现强：

• • protein monomer LDDT：0.890；
• • protein-protein DockQ：0.769；
• • antigen-antibody DockQ：0.700；
• • RNA monomer LDDT：0.660；
• • protein-ligand：0.601；
• • protein-RNA：0.735。

论文认为，OpenDDE 保留了较高单链结构准确性，同时在蛋白-蛋白和抗体-抗原这类 interaction-heavy systems 上提升更明显。

这也再次说明，OpenDDE 当前最有说服力的能力不是小分子 docking，而是大分子界面共折叠，尤其是抗体-抗原结构预测。

7. 这篇文章的真正启发

启发一：共折叠模型正在从结构预测工具变成结构推理底座

OpenDDE 的定位不是单一 benchmark 模型，而是药物发现中的共享结构层。它的价值在于让不同下游任务共享同一个结构表示和扩散生成框架。

启发二：结构 token 是连接粗粒度残基表示和全原子坐标的重要中间层

直接从残基 token 到全原子坐标，中间跨度太大。OpenDDE 把残基拆成 backbone、side-chain、base、ligand/atom 等结构 token，让模型先在化学角色层面推理，再生成原子坐标。这种粗到细设计值得后续结构生成模型借鉴。

启发三：界面质量不能只靠坐标误差监督

复合物预测的关键是界面。OpenDDE 的 shape-complementarity loss 说明，模型需要显式学习表面朝向、合理间距和 anti-clash 行为。对药物发现而言，这比单纯追求 RMSD 或 LDDT 更接近真实分子识别。

启发四：采样能力和排序能力必须分开看

Oracle 结果远高于 ranking 结果，说明 OpenDDE 的生成空间里有好答案，但模型不一定能选中。这是所有生成式结构模型都需要面对的问题：生成不是终点，选择才决定真实命中率。

启发五：开源共折叠模型可能成为社区验证 scaling laws 的平台

闭源模型即使强，也难以拆解能力来源。OpenDDE 如果真正持续释放代码、权重、数据处理流程和 benchmark，会让社区更系统地研究 scaling、数据蒸馏、推理采样和结构表示之间的关系。

8. 局限性

8.1 与 IsoDDE 的比较仍然不完全透明

论文承认，由于无法获得 IsoDDE 的完整训练配方、数据混合、推理流程、后训练策略和工程优化，OpenDDE 与 IsoDDE 的比较只能在公开信息基础上进行。也就是说，即使 OpenDDE 达到类似准确率，也很难判断差异到底来自架构、数据、训练规模、蒸馏策略还是推理工程。

8.2 当前重点不是蛋白-小分子 docking

这点对 AI 制药读者尤其重要。OpenDDE 虽然名为 Drug Discovery Engine，但当前版本主要验证的是蛋白-蛋白和抗体-抗原相互作用。作者明确表示，不宣称当前模型已优化于 ligand docking、virtual screening 或 affinity ranking。

因此，不能把 OpenDDE 在抗体-抗原上的成功直接外推到小分子药物筛选。蛋白-小分子结合更依赖局部化学互补、配体构象、诱导契合、水分子、质子化状态、金属配位和打分函数，这些问题不一定能由大分子共折叠能力自动解决。

8.3 De novo design 目前更像框架能力，不是完整验证能力

论文提出结构预测和 de novo design 的统一条件扩散框架，但当前主要结果仍是结构预测，尤其是抗体-抗原共折叠。条件设计是否能产生可表达、可折叠、可结合、可实验验证的 binder 或分子组件，还需要更直接的设计 benchmark 和湿实验数据。

8.4 计算成本非常高

414K GPU-hours 的训练成本说明，OpenDDE 的完整复现门槛很高。开源代码和权重可以降低使用门槛，但社区想从头验证数据规模、训练策略和 scaling laws，仍然需要大量计算资源。

8.5 Ranking 与 confidence calibration 仍是明显短板

Oracle 与 ranking 之间的差距说明，模型生成能力没有完全转化为实际可用性能。真实应用中没有 ground truth DockQ，研究者只能依赖模型置信度、物理后处理、外部打分或实验验证。因此，如何选出正确结构，可能比继续生成更多结构更重要。

8.6 缺少面向药物发现闭环的验证

一个真正成熟的 AI drug discovery engine 至少需要连接结构预测、分子设计、亲和力评估、可合成性、ADMET、实验反馈和多轮优化。OpenDDE 当前建立的是 folding-centered foundation，不是完整闭环系统。论文也承认，分子设计、亲和力预测和实验反馈仍属于未来扩展。

对 AI 制药未来发展的意义

OpenDDE 对 AI 制药的意义，可以从三个层面理解。

第一，它推动了开放共折叠基础模型 的建设。药物发现模型不能长期依赖不可复现的黑箱系统。开源模型虽然未必立即超越闭源模型，但它能让社区验证数据、训练、推理和 benchmark，形成可信技术生态。

第二，它强调结构预测与结构条件设计的统一。未来 AI 制药模型可能不再把 prediction 和 generation 分开，而是把所有任务写成条件生成问题：给定靶点、口袋、motif、抗原、约束或候选结构，生成需要补全、优化或设计的分子部分。

第三，它让测试时计算 成为结构模型的重要变量。过去我们常把模型性能看成固定数字，但 OpenDDE 显示，多采样可以持续提高 oracle 上限。未来模型竞争可能不只是训练规模竞争，也会是 inference-time search、confidence ranking 和后处理策略的竞争。

不过，AI 制药最终不是结构预测比赛。真正转化仍要回答：预测结构能否提高命中率，生成 binder 是否可表达，设计小分子是否可合成，亲和力排序是否能指导实验，模型是否能在真实项目中缩短周期、降低成本、提高成功率。OpenDDE 为这些任务提供了一个开放结构底座，但底座之上的药物发现系统仍需要大量工程和实验验证。