RFD4-Proteina-Diffusers

RFD4-Proteina-Diffusers

通过 Diffusers 库运行 RFD4-Proteina 蛋白质设计模型，不需要原生 RFD4 包。适合在 CUDA GPU 上围绕靶点设计分子的研究人员。

由 nvidia 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：这个仓库是 RFD4-Proteina 的 Diffusers 版本。RFD4-Proteina 是一个流匹配模型，同时设计蛋白质序列和全原子结构。它的权重和原版发布相同。你用一个流水线类加载它，运行时不需要原生 RFD4 包。

适合谁：它适合已经在用 Diffusers、想设计分子（比如针对某个靶点的结合体）的计算生物学家。建议使用 CUDA GPU。

Industry | Who uses it | How they use it | Example
生物技术 | 蛋白质设计人员 | 围绕靶点结构生成结合体 | 为给定靶点设计 50 到 120 个残基的结合体
研究 | 机器学习研究人员 | 通过熟悉的库运行模型 | 在 Diffusers 工作流里加载流水线
结构生物学 | 结构分析人员 | 从 CIF 文件读回设计出的坐标 | 查看一次设计运行的输出结构

更喜欢原生 RFD4 包的人可以改用原版发布。

用在哪里：

• 装有 Diffusers 的 Python 3.11 或更新版本
• 带 CUDA GPU 的电脑
• rfd4-proteina-prep 包，用来准备输入

Use case | Who | What they get back
结合体设计 | 蛋白质设计人员 | 设计出的原子位置和残基类型，保存为 CIF 文件
流水线研究 | 机器学习研究人员 | 由一个 transformer、一个自编码器和一个调度器组成的流水线

如何设置：

• Python 3.11 或更新版本
• 从 GitHub 安装的 Diffusers，因为卡片说下一个版本还没发布
• 配套的 rfd4-proteina-prep 包，它提供手性和元素特征
• CUDA GPU，卡片推荐使用

1. 安装 Hugging Face hub 软件包。
2. 下载模型文件。
3. 按卡片的快速开始，从 GitHub 安装 Diffusers 和 prep 包。

pip install -U huggingface_hub

hf download nvidia/RFD4-Proteina-Diffusers

如何使用：以 BF16 加载流水线并移到 GPU。获取一个带注释的 CIF 文件，它标出要保留的部分和要设计的部分，然后准备它的特征。旧版 Diffusers 会拒绝加载这个仓库，而不是错误地采样。

import torch
from huggingface_hub import hf_hub_download
from diffusers import RFD4ProteinaPipeline
from rfd4_proteina_prep import prepare_cif, write_cif

pipe = RFD4ProteinaPipeline.from_pretrained("nvidia/RFD4-Proteina-Diffusers", dtype=torch.bfloat16).to("cuda:0")

input_cif = hf_hub_download("nvidia/RFD4-Proteina-Diffusers", "examples/protein_binder/input.cif")
features, atoms = prepare_cif(input_cif, seed=42, device=pipe.device)

Tool | What it does
RFD4ProteinaPipeline | 把 transformer、自编码器和调度器打包在一起的流水线
prepare_cif | 把带注释的 CIF 文件转成流水线用的特征
write_cif | 把设计结果写回带注释的 CIF 文件

示例：你从这个仓库获取示例输入，它设定了一个 PD-L1 靶点，要求设计 50 到 120 个残基的结合体。你准备好它的特征，再运行流水线。卡片的快速开始在输出步骤之前就被截断了。

新手与专家：这是一个研究用的流水线，所以先用卡片里的示例输入，而不是你自己的分子。先确认 GPU、Python 版本和两个包都已就位。

权重来自预训练基础模型，在合并了一次 LoRA 微调之后得到。原始基础模型和适配器放在另一个分支上。发布的采样方案叫 thinking_medium，用 60 步和 180 次主干计算。模型以 BF16 运行，不过文件以 FP32 存储。

带注释的 CIF 结构
prepare_cif 构建特征
流水线运行 transformer 和自编码器
结果写回 CIF

注意事项：

• License: BSD 3-Clause，涵盖模型和权重。
• Cost to run: 未提及。你需要合适的 GPU，卡片没有提到付费服务。
• Data it reaches: 它从 Hugging Face Hub 下载文件，并从这个仓库获取示例输入。
• Not for: 旧版 Diffusers，它们无法加载这个仓库。

Title: 发布的采样方案
Steps: 60 steps
Trunk passes: 180 passes

Hugging Face 上的数据（2026年11月13日）

• 框架：diffusers
• 参数量：178M
• Weights: about 714 MB in F32; about 89 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：403
• 点赞：5
• 许可证：bsd-3-clause
• 语言：en
• 基于：nvidia/RFD4-Proteina
• 标签：diffusers, safetensors, biology, protein-design, biomolecular-design, structure-generation, flow-matching, annotated-cif

链接

• 模型：https://huggingface.co/nvidia/RFD4-Proteina-Diffusers
• 文件：https://huggingface.co/nvidia/RFD4-Proteina-Diffusers/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download nvidia/RFD4-Proteina-Diffusers

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。