AF3 OpenFoldMultimerDataset类deterministic_train_filter方法解读

AlphaFold3 data_modules 模块的 OpenFoldMultimerDataset 类deterministic_train_filter 方法是该类中最关键的一个静态方法之一。这个方法用于 训练时对样本进行确定性过滤（hard filters），只有通过这些过滤条件的样本才可能参与后续训练。

源代码：

  @staticmethod
    def deterministic_train_filter(
        cache_entry: Any,
        is_distillation: bool,
        max_resolution: float = 9.,
        max_single_aa_prop: float = 0.8,
        minimum_number_of_residues: int = 200,
        *args, **kwargs
    ) -> bool:
        """
        Implement multimer training filtering criteria described in
        https://www.biorxiv.org/content/10.1101/2021.10.04.463034v2.full.pdf Supplementary section 7.1
        """
        resolution = cache_entry.get("resolution", None)
        seqs = cache_entry["seqs"]

        return all([resolution_filter(resolution=resolution,
                                      max_resolution=max_resolution),
                    aa_count_filter(seqs=seqs,
                                    max_single_aa_prop=max_single_aa_prop),
                    (not is_distillation or all_seq_len_filter(seqs=seqs,
                                                               minimum_number_of_residues=minimum_number_of_residues))])

代码解读：

参数解释：

• cache_entry: 一个 dict，包含蛋白的缓存信息（如序列、分辨率等）。

• is_distillation: 表示这个数据是否是从结构数据库中**蒸馏（distilled）**出来的。如果是，则更严格地限制序列长度。

• max_resolution: 最大允许的分辨率（默认为 9Å）。

• max_single_aa_prop: 允许出现最多的氨基酸在序列中所占的最大比例（默认 0.8）。

• minimum_number_of_residues: 蒸馏样本中每条链至少要有的残基数（默认 200 个）。

过滤逻辑：

该方法使用了三个过滤器函数，要求都必须通过（all([...])）：

条件	使用的函数	含义
分辨率过滤	resolution_filter	分辨率必须小于等于 9Å（或指定值）
氨基酸单一比例过滤	aa_count_filter	不能有某种氨基酸比例 > 0.8
序列长度过滤（可选）	all_seq_len_filter	如果是蒸馏数据，则所有链总长度 ≥ 200