FoldScape
以序列为条件、以折叠分数Q为控制变量的深度学习框架，可生成蛋白质在任意折叠阶段的Cα构象系综，结合分层距离回归与整流流解码器。
时间轴 (近 90 天)
FoldScape 是一个以序列为条件的深度学习框架，能够在给定折叠分数 Q 的条件下生成对应的 Cα 构象系综。
FoldScape 的生成策略分为两步：先进行分层、滑窗式的一维残基间距离回归重建三维链，再通过链组装与采样、借助整流流解码器输出构象系综。
FoldScape 的训练数据覆盖两种互补的轨迹来源：多尺度粗粒化折叠轨迹和全原子力学去折叠轨迹。
FoldScape 设计了步幅为一的裁剪—叠合方案，将推理能力扩展到比单次链级前向传播长数倍的链条上。
在 20 个人类蛋白（长度 36 到 857 个残基）上的对比测试中，在样本量匹配的前提下，FoldScape 覆盖的折叠坐标范围比采用种子变化的 AlphaFold 3 系综大约高出一个数量级。
AlphaFold 3 在紧邻天然态的局部区域锚定得更好，而 FoldScape 没有到达那一区域，两者构成互补关系。
FoldScape 的重建精度沿 Q 变化大致保持恒定，从塌缩卷曲到近天然熔球态都没有明显衰减。
FoldScape 无法覆盖紧邻天然态的极近区域，该区域仍需依赖 AlphaFold 3 这类模型。
FoldScape 提供了一个无需逐蛋白做分子模拟就能获得构象系综的途径，适用于研究折叠中间态、力学响应或部分去折叠行为。
将 FoldScape 与 AlphaFold 3 结合使用可能是更合理的实践路径。
全部知识事实 (10)
FoldScape 是一个以序列为条件的深度学习框架，能够在给定折叠分数 Q 的条件下生成对应的 Cα 构象系综。
50%待验证FoldScape 的生成策略分为两步：先进行分层、滑窗式的一维残基间距离回归重建三维链，再通过链组装与采样、借助整流流解码器输出构象系综。
50%待验证FoldScape 的训练数据覆盖两种互补的轨迹来源：多尺度粗粒化折叠轨迹和全原子力学去折叠轨迹。
50%待验证FoldScape 设计了步幅为一的裁剪—叠合方案，将推理能力扩展到比单次链级前向传播长数倍的链条上。
50%待验证在 20 个人类蛋白（长度 36 到 857 个残基）上的对比测试中，在样本量匹配的前提下，FoldScape 覆盖的折叠坐标范围比采用种子变化的 AlphaFold 3 系综大约高出一个数量级。
50%待验证AlphaFold 3 在紧邻天然态的局部区域锚定得更好，而 FoldScape 没有到达那一区域，两者构成互补关系。
50%待验证FoldScape 的重建精度沿 Q 变化大致保持恒定，从塌缩卷曲到近天然熔球态都没有明显衰减。
50%待验证FoldScape 无法覆盖紧邻天然态的极近区域，该区域仍需依赖 AlphaFold 3 这类模型。
50%待验证FoldScape 提供了一个无需逐蛋白做分子模拟就能获得构象系综的途径，适用于研究折叠中间态、力学响应或部分去折叠行为。
50%待验证将 FoldScape 与 AlphaFold 3 结合使用可能是更合理的实践路径。
50%