回收次数基础概念

如果非要给 AlphaFold 的回收次数找个通俗定义——

说白了，它就是一套让结构预测“反复打磨”的迭代机制。

我刚开始接触这个参数时，以为它只是简单地把模型多跑几遍。结果项目里有一次跑了 20 轮回收，结构反而比 3 轮还差。嗯，从那次起我就知道，回收次数远不是“越多越好”那么简单。

回收次数的定义

AlphaFold 在预测蛋白质结构时，不会一下子输出最终结果。它会先生成一个初始结构，然后把这个结构反馈回模型，当作下一轮的部分输入。这个过程重复若干次，每次重复就叫一次“回收”（recycling）。

• 回收次数设定：在配置文件中通过 num_recycles 参数控制，常见范围 0–20。
• 与训练时的默认值：官方训练默认是 3 次回收，但实际推理时可能需要调整。
• 单次回收做了什么：把上一轮的预测结构编码为新的主链扭转角等特征，与原始序列特征拼接，再送进主干网络继续预测。

说白了，每次回收都是拿上一轮的结果重新“润色”一次。就像一个画家先画草稿，觉得不对就擦掉重画，但每一次重画都参考了上一次的轮廓。

迭代优化的原理

为什么需要反复回收？因为 AlphaFold 的模型本质是一个多尺度循环架构。每次回收都在缩小预测结构与真实结构之间的残差。

我个人的理解是这样——

1. 第一轮：模型只能靠序列特征和模板猜测大致折叠模式，精度很低，可能只有 6Å。
2. 第二轮：有了上一轮的结构信息，模型能修正局部二级结构和 loop 区走向，精度提升到 3–4Å。
3. 第三轮：进一步优化侧链堆积和氢键网络，精度逼近 1–2Å（对全局好预测的区域）。
4. 后续轮次：模型开始陷入细节震荡，如果回收过多，反而会被之前轮次的噪音带偏。

为什么会倒挂？我记得有一次处理一个 multi-domain 蛋白，设了 12 轮回收，结果 pLDDT 从 85 掉到了 79。后来发现是因为模型在高回收次数下，对上一轮的错误结构过于自信，反而把正确区域扭曲了。这就是所谓的回收过饱和。

与传统分子动力学的差异

很多刚入门的朋友会把 AlphaFold 的回收和分子动力学（MD）里的退火、平衡跑混为一谈。其实二者差别非常大。

• 计算对象不同：MD 用牛顿力学模拟原子运动，每个时间步都基于力场计算加速度；AlphaFold 回收没有物理力场，全靠神经网络学到的统计规律。
• 时间尺度不同：MD 至少需要纳秒级（10⁶ 步）才能看到有效构象变化；AlphaFold 一次回收只需要几秒（GPU），整个回收过程不过几十秒。
• 收敛方式不同：MD 收敛于能量极小点；AlphaFold 回收收敛于模型对结构分布的置信度（pLDDT 和 predicted TM-score）。
• 不确定性来源：MD 受力场参数和热浴速度影响；AlphaFold 回收受输入特征和模型参数影响，是纯粹的统计预测误差。

简单打个比方——MD 像是在实验室里摇试管看分子怎么动，AlphaFold 回收像是在数据库里翻遍了已知结构，然后猜这个蛋白最可能是哪个样子。两者没有好坏之分，用途不同。

核心知识框架

上面这张图应该能帮你理清关系：序列特征送入预测模块，产出结构，再通过回收回路（虚线）反复迭代，最终输出决定。控制好回收次数，才能平衡精度和计算开销。