干湿学习闭环
交互研究框架让一次实验失败，成为下一次设计可以使用的证据
可探索流程、比较学习路线与导出草案 · 未连接生产实验库，未启动训练案例资料截至 2026-09-10
从实验反例到下一轮设计
点击节点，查看输入、产出和进入条件
当前节点 1 / 6
实验证据
高干分但未检测到结合，是值得学习的反例。先确认实验有效性，再判断它能监督哪一项任务。
进入条件
DV_001 尚未完成候选 ID、完整构建体和原始实验记录映射
- 输入
- 设计序列、构建体、送测前预测与实验原始记录
- 产出
- 按终点审核的观察，保留可靠阴性与缺失
- 下一项工作
- 对齐候选身份、构建体与实验条件
首个案例 · DV_001
报告级证据 · 待核验BCMA de novo VHH 的干实验指标较好，报告中未检测到与重组 BCMA 的结合
- 预测 pLDDT
- 92.36
- 预测 PAE
- 4.20
- 预测 BSA
- 859 Ų
- 预测 PRODIGY
- −9.80 kcal/mol
实验 KD：无可用定量值
细胞信号的特异性尚未解决，不能直接转成 KD 或 EC50
来源与未解决事项
来源：BCMA_DeNovo_AI_to_WetLab.pdf，4 页报告
候选 ID、完整构建体、抗原版本和原始实验有效性仍需映射
103A 是 scFv，不直接与 DV_001 VHH 组成无条件偏好对
此案例是静态报告摘要；右侧情境推演不会修改原始记录
这个结果可以教模型什么？
选择一种假设结果，探索相应的学习路径
可用于
条件化结合分类 · 失败回放 · 满足可比条件后的偏好学习
标签边界
不生成数值 KD，不作为所有靶点的通用阴性
所需证据
需确认身份、构建体、实验有效性与检测条件
从重训练到生成模型对齐
三条需要比较的路线；算法复杂度不代表实验收益
先确认简单的实验反馈训练是否已经足够
数据稀少时优先冻结表征或使用小型预测头
- 训练信号
- 实验标签或效用加权
- 先决条件
- 合格实验样本、历史回放、独立留出集
- 必须比较的基线
- 原始生成器 + 同一评分器
研究准备清单
仅用于讨论草案，勾选不代表正式审核通过
草案已勾选 0 / 5 项 · 案例正式状态仍为待核验
编辑仅保留在当前页面，刷新会清除；导出 JSON 可保存草案
研究依据与平台衔接
负样本组成与泛化Nature Machine Intelligence · 2025ProteinDPO 实验适应度对齐Nature Methods · 2026DiffAbOpt 迭代抗体优化预印本 · 2025AIntibody 前瞻盲法比较Nature Biotechnology · 2026
文献支持方法选择；不表示已证明这些方法对 BCMA 闭环有效
研究框架可交互；实验入库、模型训练和策略执行仍待接入