NACraft: Programmatic nucleic-acid aptamer design via all-atom structure-model feedback

原文链接：全文

作者：Heqin Zhu, Jiaqi Wang, Weibo Zhao, …, Odin Zhang

bioRxiv，2026 年 8 月

核酸适配体（aptamer）设计一直是个难题：序列、折叠结构、靶标结合三者强耦合，传统方法靠 SELEX 实验筛选，效率有限。

这篇来自 Valhalla Technology 和港中文、北大团队的预印本提出了 NACraft——一个不需要训练的核酸适配体设计框架。核心思路：把设计目标写成损失函数，直接通过结构预测模型的反馈优化序列。像写代码一样”编程”设计 aptamer。

一、研究问题

文章要解决一个经典但很难的逆向设计问题：已知目标蛋白结构，能不能直接设计一个以前不存在的 RNA 或 DNA 序列，使它折叠成合适三维结构并与目标结合？

难点在于 aptamer 的功能强依赖三者耦合：

1. 序列（sequence）决定折叠

2. 折叠结构（3D conformation）决定能不能结合

3. 结合界面（binding interface）反过来又约束序列和结构

这和只做 RNA 二级结构设计不同，也和只做蛋白 binder design 不同。核酸体系里，碱基配对、三级结构、分子间结合是耦合的，而且 DNA/RNA 都要支持。

现有方法的缺口

传统核酸设计方法多围绕给定二级结构；数据驱动方法很多不显式利用目标 3D 结构。

生成式方法如 ODesign 虽然能做 RNA/DNA 设计，但主要偏 de novo，对「从已有 aptamer 改造」和「显式优化选择性/抗脱靶」支持不够强。

所以作者提出：能不能把蛋白领域的 structure hallucination / model inversion 思路真正扩展到核酸 aptamer 设计？

二、方法核心

NACraft 分四步：

Step 1：定义设计上下文

目标蛋白是谁、要设计 RNA 还是 DNA、aptamer 长度多长、想优化什么（结合、避免结合、保持与参考序列相似等）。

Step 2：可微分序列优化

用 Boltz-1 结构模型做反馈。直接用其 distogram 输出构造损失——模型预测任意两个 token 间距离落在不同 bin 的概率，再对”接触概率”求和定义损失函数。这样做可微、高效、适合在序列空间做梯度优化。

序列表示为连续 logit 张量（L×8 维），用 straight-through estimator 让离散序列可微分。分阶段退火：30 步 warm-up → 100 步 exploration → 100 步 annealing → 10 步 final，前期广搜、后期收敛。

Step 3：NA-MPNN 重设计和多样化

梯度优化给出一个好”父序列”，再通过 NA-MPNN 做结构驱动 refinement/diversification。消融实验显示 12/12 target 的最大 ipTM 和 pLDDT 都在这一步提升，典型例子：8SWC 从 0.66 → 0.93。

Step 4：AF3 独立验证与筛选

用 AlphaFold3 独立预测复合物，用 ipTM、pLDDT、iPAE 等指标打分。关键设计选择：优化时用 Boltz-1 给梯度，评估时用 AF3 做独立验证，避免同模型自证。

Boltz-guided search + MPNN redesign + AF3 validation 三者组合，共同构成一个完整的多阶段设计系统。

NACraft 最强调的一个词是 programmatic——目标函数可以像积木一样组合：

三种设计模式由损失组合决定：

De novo：binding + internal-contact + regularization，从零设计

Similarity-guided：加上 similarity loss，以已有 aptamer 为起点优化

Target-selective：加上 anti-binding，同时追求”绑定正目标”并”避免绑定负目标”

三、看图说话

Figure 1 · NACraft 框架总览

这张图想回答：NACraft 的整体设计流程是什么？

Figure 1. (a) 三种设计模式：de novo、similarity-guided、target-selective。(b) 四阶段工作流。(c) 优化轨迹示意。

怎么读这张图

• Panel a：三种模式——从零设计（de novo）、基于参考序列改造（similarity-guided）、同时优化正/负靶标选择性（target-selective）。
• Panel b：四阶段流程——定义设计上下文 → 用 Boltz-1 的 distogram 做可微分序列优化 → NA-MPNN 重设计和多样化 → AlphaFold3 独立验证打分。
• Panel c：优化轨迹——从随机序列出发，经过 warm-up、exploration、annealing、final 四个阶段，逐步收敛到高置信度结构。

读图结论：整个流程的关键是优化和验证用不同模型——Boltz-1 给梯度，AF3 做独立验证。这是证据链里很重要的一点，尽量避免”用同一个模型优化、再用同一个模型自证”。

Figure 2 · De novo 设计结果

这张图想回答：从零开始，NACraft 能设计出多好的 aptamer？

Figure 2. 5 个治疗相关蛋白靶标 (B7-H3, CD3δ, FGFR2, PD-L1, TNFR1) 的 de novo RNA aptamer 设计结果。

怎么读这张图

• Panel a（热图）：5 个靶标 × 4 种长度（20/30/40/50 nt）的最佳 AF3 ipTM。FGFR2 整体最高（0.88），CD3δ 最低（0.63）。
• Panel b（折线图）：ipTM 随 aptamer 长度的变化趋势。不同靶标的最优长度不同。
• Panel c（散点图）：ipTM 与 interface pLDDT 的正相关（Pearson r = 0.731），说明高 ipTM 候选通常伴随更可信的界面结构。
• Panel d（小提琴图）：optimized vs redesign（NA-MPNN 阶段）的分布对比。
• Panel e（柱状图）：各靶标 ipTM > 0.60 和 hotspot contact 的候选比例。FGFR2 成功率 41.5%，CD3δ 仅 1.08%。

关键数字

5 个靶标各设计 20/30/40/50 nt RNA aptamer，总共 6000 个候选。最佳 AF3 ipTM：FGFR2 = 0.88，B7-H3 = 0.85，TNFR1 = 0.81，PD-L1 = 0.80，CD3δ = 0.63。

ipTM > 0.60 的候选比例：FGFR2 = 41.50%，TNFR1 = 34.42%，PD-L1 = 17.17%，B7-H3 = 12.50%，CD3δ = 1.08%。平均约 20%。

读图结论：完全 de novo、跨多个蛋白靶标、最优样本能达到很不错的 AF3 置信度。但不同目标差异很大——CD3δ 成功率明显低，说明方法对靶标表面可设计性很敏感。而且这还是结构模型置信度，不等于实验 KD。

四、核心贡献总结

Similarity-guided 设计

在 NA-12 benchmark（6 个 RNA + 6 个 DNA 复合物）上：RNA 最大 ipTM 可达 0.93，DNA 最大 ipTM 可达 0.91，每个 target 的最大 ipTM 都超过 0.75。

与 de novo 相比，similarity-guided 整体更优——更高的最大 ipTM、更高的 pLDDT、更低的 iPAE。有参考序列先验时，搜索空间缩小，更容易找到高质量解。

Best-of-N 分析也很有实际指导意义：

前几十个样本增益最大，后面边际递减。如果算力有限，先采几十到一百个是比较划算的。

Target-selective 设计：EGFR vs HER2

作者选了一个非常合理的难题：正目标 EGFR domain III、负目标 HER2 domain III。两者同属 ErbB 家族，结构相似，脱靶风险真实存在。

总共 1800 个候选中，69.44% 对 EGFR 的 ipTM 高于 HER2。分 RNA/DNA 看：RNA 82.56% 倾向 EGFR，DNA 56.33%。

更严格标准（ipTM_EGFR > 0.50, ipTM_HER2 < 0.50, margin > 0.10）下，成功比例仍有 25-28%。这说明有一批候选同时具备正目标较高置信度、负目标较低置信度和明确 margin，支持了作者”可编程负设计”的主张。

与 ODesign 的对比

作者用相同 AF3 rescoring 做独立评价——这是公平比较里很重要的一点。

作者特别强调：NACraft 的核心优势在于整体候选分布右移。对实验筛选来说，分布整体变好通常比极少数天选样本高分更有价值。

消融实验的关键发现

Similarity loss 权重不是越大越好

权重 0.4 时最大 ipTM 最高（0.94），权重 1.0 时 ipTM ≥ 0.80 比例最高。说明 sequence prior 的作用是重新分配高质量候选所在区域，并非单调提高性能。太弱没利用好先验，太强又限制探索。

最小内部损失点不一定是最终最好序列

序列在最小 loss 之后还会继续变化，AF3 评估质量总体保持稳定——后续阶段增加了序列多样性，同时没有系统性牺牲质量。但 target-selective 任务中，最小-loss checkpoint 有时更优，有任务依赖性。

创新与局限

6 个创新点

1. 首次系统地把 structure hallucination 扩展到核酸 aptamer 设计

2. 统一支持 RNA 和 DNA

3. Programmatic objective composition——bind / anti-bind / contact / similarity 像积木组合

4. Similarity-guided 把”沿已有序列继续改”纳入统一优化目标

5. Target-selective / negative design——真正落地时选择性常常比单纯 affinity 更关键

6. 训练-free，不需要为每个任务重新训练或微调

最大局限：缺实验验证

目前几乎完全是 in silico 证据。AF3/Boltz 给的是结构置信度代理指标，距离实验结合亲和力 KD、实际选择性、生物活性、稳定性或合成可行性还有差距。

尽管优化和验证模型分开了，但最终成败仍强依赖 AF3。如果 AF3 对某类蛋白-核酸界面存在系统偏差，结果可能被高估。

另外，目前只支持标准 RNA/DNA 碱基。很多高性能 aptamer 依赖修饰碱基（2’-F、2’-OMe、LNA）和化学修饰骨架，这部分还没覆盖。

值得后续关注的问题

1. AF3 ipTM 与真实亲和力到底相关性多强？这决定 NACraft 的实际价值上限。

2. Hotspot 指定对结果有多敏感？实际新靶点设计时，界面热点未必已知。

3. Target-selective 能否推广到更多相似蛋白家族？（kinase、cytokine receptors、viral strain variants）

4. 能否加入化学修饰核酸？

5. 能否和实验 SELEX 形成闭环？最有前景的路线：NACraft 先生成高质量候选库 → 实验筛选 → 再回流做 similarity-guided redesign。

一句话总结：NACraft 把核酸适配体设计从”固定任务的生成”推进到了“可编程目标驱动优化”。最有价值的贡献在于提出了一个统一的、可组合的核酸设计接口——一个真正意义上的可编程设计引擎。

论文：NACraft: Programmatic nucleic-acid aptamer design via all-atom structure-model feedback

作者：Heqin Zhu, Jiaqi Wang, Weibo Zhao, … Liqin Zhang, Odin Zhang

机构：Valhalla Technology / 香港中文大学 / 北京大学 / 浙江大学

DOI：10.64898/2026.08.15.744087

通讯作者

Odin Zhang（张昊天），英灵殿科技（Valhalla Technology）创始人兼 CEO，同时在香港中文大学攻读博士学位。他本科毕业于浙江大学物理学和药学双学位，硕士阶段获浙江大学竺可桢奖学金（校最高荣誉），后赴华盛顿大学 Baker Lab 工作并获得计算机科学硕士学位。2025 年创立英灵殿科技，专注于 AI 驱动的全模态分子设计，开发了 ODesign，该模型统一支持蛋白、DNA、RNA、小分子从头设计。主要研究方向包括 AI for Science、生物分子设计和计算机辅助药物设计，代表作发表于 Nature Computational Science、Nature Machine Intelligence、ICLR 和 Chemical Reviews 等。Google Scholar 引用 2400+，h-index 31。

Liqin Zhang（张丽琴），北京大学药学院药物分析学系助理教授、独立 PI。她本硕就读于北京大学药学院（2005–2011），博士毕业于佛罗里达大学化学系及 UF Health 癌症中心（2011–2016），后于斯坦福大学医学院从事博士后研究（2018–2019），并在 Thermo Fisher Scientific 担任科学家（2020–2021）。她的研究方向聚焦功能核酸探针的构建与应用、核酸适配体的模态设计与开发，以及药物靶标发现与药物研发。近年在 Nature Biomedical Engineering、JACS、Chem、Nano Letters 等期刊发表多篇代表性工作。Google Scholar 引用 5700+，h-index 32。

引用

Zhu, H., Wang, J., Zhao, W., Xu, Y., Su, H., Wang, J., … & Zhang, O. (2026). NACraft: Programmatic nucleic-acid aptamer design via all-atom structure-model feedback. bioRxiv. https://doi.org/10.64898/2026.08.15.744087