Den vollständigen Index der Dokumentation findest du in llms.txt. Die Markdown-Version einer Dokumentationsseite erhältst du, indem du .md an die URL der Seite anhängst.
Hauptnavigation
Design
Codex

Anwendungsfall für Codex

Neue Modelle für die Proteinfaltung entdecken

Prüfe Hypothesen zur Proteinfaltung in aufeinanderfolgenden Experimenten und werte jeden Durchlauf mit einem Benchmark aus.

Schwierigkeitsgrad Advanced
Zeithorizont Long-running

Erforsche mit Codex im Zielmodus neue Ansätze für die Architektur von AlphaFold2. Setze die Änderungen um, damit das Modell Proteinstrukturen genauer vorhersagen kann.

Besonders geeignet für

  • Forschende in der Computerbiologie, die mit einem automatisch auswertbaren Benchmark untersuchen, wie sich Änderungen an der Modellarchitektur, der Verlustfunktion oder der Abfolge der Trainingsaufgaben auswirken.
  • Forschende, die eine wissenschaftlich begründete Hypothese schneller in einem lauffähigen experimentellen Fork testen möchten.
  • ML Engineers, die über längere Zeit automatisierte Forschungszyklen durchführen und dabei Experimente fortlaufend dokumentieren und Fehler schrittweise beheben müssen.

Inhalt

    ← Alle Anwendungsfälle

    Neue Modelle für die Proteinfaltung entdecken

    Prüfe Hypothesen zur Proteinfaltung in aufeinanderfolgenden Experimenten und werte jeden Durchlauf mit einem Benchmark aus.

    Erforsche mit Codex im Zielmodus neue Ansätze für die Architektur von AlphaFold2. Setze die Änderungen um, damit das Modell Proteinstrukturen genauer vorhersagen kann.

    Advanced
    Long-running

    Erforsche mit Codex im Zielmodus neue Ansätze für die Architektur von AlphaFold2. Setze die Änderungen um, damit das Modell Proteinstrukturen genauer vorhersagen kann.

    Advanced
    Long-running

    Besonders geeignet für

    • Forschende in der Computerbiologie, die mit einem automatisch auswertbaren Benchmark untersuchen, wie sich Änderungen an der Modellarchitektur, der Verlustfunktion oder der Abfolge der Trainingsaufgaben auswirken.
    • Forschende, die eine wissenschaftlich begründete Hypothese schneller in einem lauffähigen experimentellen Fork testen möchten.
    • ML Engineers, die über längere Zeit automatisierte Forschungszyklen durchführen und dabei Experimente fortlaufend dokumentieren und Fehler schrittweise beheben müssen.

    Prompt für den Einstieg

    Use Goal Mode to improve the validation lDDT-Cα score of this AlphaFold2-style protein-structure model on the NanoFold public benchmark. The scientific hypothesis is that persistent higher-order geometric states may help the model learn protein geometry more efficiently from limited data: - retain the standard MSA and pairwise representations; - add sparse learned 2-simplex face states for selected residue triplets; - add sparse learned 3-simplex tetrahedral states for selected residue quadruplets; - construct topology only from official benchmark inputs and model-generated recycled geometry; - keep the implementation computationally practical under NanoFold constraints. Maintain durable tracking files for: 1. The current strategy, status, and proposed next steps in PLAN.md 2. A structured log of experiments and results in EXPERIMENTS.md 3. A running scratchpad of notes and thoughts in EXPERIMENT_NOTES.md For each iteration: 1. state the hypothesis being tested; 2. make the smallest coherent code or configuration change; 3. run the relevant tests and benchmark slice; 4. record metrics, latency, memory, and failure modes; 5. decide whether to keep, revert, or refine the change; 6. periodically reassess the architecture-level search direction rather than only tuning local hyperparameters. Do not claim generalization gains from smoke tests or single-chain overfit diagnostics. Prefer matched comparisons and preserve the evidence boundary.
    AstraHigh
    Use Goal Mode to improve the validation lDDT-Cα score of this AlphaFold2-style protein-structure model on the NanoFold public benchmark. The scientific hypothesis is that persistent higher-order geometric states may help the model learn protein geometry more efficiently from limited data: - retain the standard MSA and pairwise representations; - add sparse learned 2-simplex face states for selected residue triplets; - add sparse learned 3-simplex tetrahedral states for selected residue quadruplets; - construct topology only from official benchmark inputs and model-generated recycled geometry; - keep the implementation computationally practical under NanoFold constraints. Maintain durable tracking files for: 1. The current strategy, status, and proposed next steps in PLAN.md 2. A structured log of experiments and results in EXPERIMENTS.md 3. A running scratchpad of notes and thoughts in EXPERIMENT_NOTES.md For each iteration: 1. state the hypothesis being tested; 2. make the smallest coherent code or configuration change; 3. run the relevant tests and benchmark slice; 4. record metrics, latency, memory, and failure modes; 5. decide whether to keep, revert, or refine the change; 6. periodically reassess the architecture-level search direction rather than only tuning local hyperparameters. Do not claim generalization gains from smoke tests or single-chain overfit diagnostics. Prefer matched comparisons and preserve the evidence boundary.
    AstraHigh

    Eine Architekturhypothese zur Proteinfaltung untersuchen

    Nutze den Zielmodus von Codex, wenn du mehrere Implementierungsdurchläufe brauchst, um eine Hypothese zur Proteinfaltung zu prüfen. Gib Codex eine klar eingegrenzte wissenschaftliche Fragestellung, ein lauffähiges Basismodell und einen Benchmark, der die Ergebnisse automatisch bewertet. Codex kann die bestehende Architektur forken, die Variante implementieren, Experimente protokollieren und Fehlerursachen ermitteln. Während du die Ergebnisse prüfst, kann Codex die Variante weiterentwickeln.

    Ausgangspunkt für dieses Beispiel war eine konkrete Frage. Könnte ein Modell nach dem Vorbild von AlphaFold2 relevante geometrische Eigenschaften von Proteinen effizienter lernen, wenn sein Kern neben Aminosäureresten und Paaren von Aminosäureresten auch topologische Objekte höherer Ordnung explizit repräsentiert?

    Das Experiment eingrenzen

    AlphaFold2 nutzt im Evoformer bereits leistungsfähige Verfahren, um Beziehungen zwischen Paaren von Aminosäureresten und entlang von Dreiecken auszuwerten. Die Dreiecksoperationen verbessern die Repräsentationen der Kanten, schreiben die Ergebnisse aber weiterhin in einen Paartensor zurück. Die Person, die die Hypothese formuliert hatte, schlug vor, gelernte Repräsentationen für Dreiecksflächen und tetraedrische Zellen über die Verarbeitungsschritte hinweg zu erhalten. Das Experiment sollte zeigen, ob diese induktive Vorannahme dem Modell hilft, mit wenigen Daten zu lernen.

    Im daraus entstandenen öffentlichen Repository SimplexFold ergänzen dünn besetzte Flächenzustände F_ijk und Tetraederzustände U_ijkl die herkömmliche Paarrepräsentation Z_ij.

    MSA representation M
            <-> pair / edge tensor Z_ij
            <-> sparse face tensor F_ijk
            <-> sparse tetra tensor U_ijkl
            -> structure module
            -> recycled geometry
            loops back into the next pass

    Beginne mit dem Einstiegsprompt auf dieser Seite, einem minimalen Basismodell nach dem Vorbild von AlphaFold2 und dem öffentlichen NanoFold-Benchmark. Der Benchmark bietet für Experimente in der Strukturbiologie einen kleinen, sorgfältig zusammengestellten, festen Datensatz und eine automatische Auswertung. Beschränke die erste Implementierung auf das, was du mit gezielten Unit-Tests und Mikrobenchmarks prüfen kannst, bevor du aufwendige Trainingsläufe startest.

    Die Suche im Zielmodus durchführen

    1. Gib eine übergeordnete wissenschaftliche Hypothese vor, die sich widerlegen lässt. So muss das Modell kein komplettes Forschungsprogramm von Grund auf entwerfen.
    2. Lass GPT-5.5 Pro in ChatGPT aus der Hypothese einen Implementierungsplan entwickeln, der die Rahmenbedingungen und Ablationsstudien ausdrücklich festlegt.
    3. Bitte Codex, die kleinstmögliche lauffähige Basisversion von SimplexFold zu implementieren. Prüfe sie anschließend mit gezielten Unit-Tests und Mikrobenchmarks.
    4. Übergib das entstandene Repository an Codex im Zielmodus. Beauftrage Codex, den Validierungswert lDDT-Cα im NanoFold-Benchmark schrittweise zu erhöhen und dabei Versuchsprotokolle, Pläne und Verweise auf Artefakte aufzubewahren.
    5. Lass Codex durchgehend im Zielmodus laufen. Anhand der Benchmark-Ergebnisse überarbeitet Codex die Architektur, das Trainingsverfahren und den Harness für die Experimente. In diesem Beispiel lief die Suche über 150 Stunden.

    Halte in PLAN.md die aktuelle Strategie und die nächsten Schritte fest. Protokolliere die Ergebnisse in EXPERIMENTS.md in strukturierter Form und sammle in EXPERIMENT_NOTES.md fortlaufend Arbeitsnotizen. Mit diesen Dateien kannst du auch eine lange Suche im Nachhinein nachvollziehen und jederzeit die Richtung für die nächste Iteration vorgeben.

    Der Zielmodus eignet sich hier, weil Codex wiederholt Änderungen implementieren und testen, Experimente protokollieren, Fehlerursachen ermitteln und anhand der Benchmark-Ergebnisse weiterarbeiten muss. Ohne wissenschaftliche Vorgabe konzentrierte sich die automatisierte Suche häufig auf vertraute lokale Anpassungen, etwa an Verlustfunktionen, Optimierern oder Hyperparametern. Mit einer knapp formulierten Architekturhypothese gaben Forschende der Suche eine wissenschaftlich sinnvollere Richtung. Codex hatte weiterhin Spielraum, die Implementierung zu testen, Probleme zu untersuchen und Verbesserungen vorzunehmen.

    Dieser Ablauf eignet sich auch für Teams, die untersuchen möchten, wie sich die Qualität der wissenschaftlichen Suche mit Agenten verändert, wenn Forschende den Verlauf mitsteuern.

    Beispielergebnis

    Aus diesem Vorgehen entstand SimplexFold, eine experimentelle Architektur mit expliziten Simplexzuständen höherer Ordnung. Prüfe anhand der Topologie und der Benchmark-Protokolle, ob jede Iteration weiterhin die ursprüngliche wissenschaftliche Hypothese testet.

    Vergleich der Proteingeometrie anhand von Simplizes der Dimensionen 1, 2 und 3.

    Aus dem Beispiel lässt sich nicht ableiten, dass Codex das Problem der Proteinfaltung eigenständig gelöst hat. Es zeigt, wie der Zielmodus die wissenschaftliche Entwicklungsarbeit über viele Iterationen hinweg unterstützen kann. Forschende geben die konzeptionelle Neuerung vor, und Codex verkürzt den Zyklus aus Implementierung, Experimenten, Fehlersuche und anschließender Suche nach Verbesserungen.

    Vielversprechende Diagnoseergebnisse sind ein Hinweis darauf, dass der gewählte Implementierungsansatz funktioniert. Ob sich die Ergebnisse verallgemeinern lassen, bleibt offen. Prüfe regelmäßig, welche Richtung der Agent einschlägt. Wenn er nur noch einzelne Hyperparameter optimiert, lenke die Suche wieder auf wissenschaftlich relevante Architekturfragen. Leite weitergehende Aussagen erst ab, wenn du die Varianten unter gleichen Bedingungen anhand öffentlicher Validierungsdaten verglichen und die Experimente angemessen wiederholt hast.

    Ressourcen

    Verwandte Anwendungsfälle