Codex 使用场景
探索蛋白质折叠模型
围绕蛋白质折叠假设开展迭代实验,用基准测试评估每轮结果。
在 Codex 中使用目标模式,探索并实现新的 AlphaFold2 架构改进方案,以提升蛋白质折叠预测性能。
最适合
- 希望通过可自动评分的基准测试评估模型架构、损失函数或课程学习方案调整效果的计算生物学家。
- 已提出有科学依据的假设,希望更快将构想落实为可运行的实验性派生版本的研究人员。
- 长期开展多轮自动化研究,需要持续跟踪实验并在迭代过程中调试的机器学习工程师。
目录
探索蛋白质折叠模型
围绕蛋白质折叠假设开展迭代实验,用基准测试评估每轮结果。
在 Codex 中使用目标模式,探索并实现新的 AlphaFold2 架构改进方案,以提升蛋白质折叠预测性能。
在 Codex 中使用目标模式,探索并实现新的 AlphaFold2 架构改进方案,以提升蛋白质折叠预测性能。
最适合
- 希望通过可自动评分的基准测试评估模型架构、损失函数或课程学习方案调整效果的计算生物学家。
- 已提出有科学依据的假设,希望更快将构想落实为可运行的实验性派生版本的研究人员。
- 长期开展多轮自动化研究,需要持续跟踪实验并在迭代过程中调试的机器学习工程师。
起始提示词
探索关于蛋白质折叠模型架构的假设
如果您有一个关于蛋白质折叠的假设,需要经过多轮实现才能检验,可以使用 Codex 的目标模式。请向 Codex 提供范围明确的研究方向、可运行的基线模型,以及能自动评分的基准测试。Codex 可以实现派生架构、跟踪实验、诊断失败原因,并在您审阅实验结果时继续迭代。
本例从一个具体问题入手:如果在 AlphaFold2 类模型的主干网络中,除了表示残基和残基对,还显式表示高阶拓扑对象,模型能否更高效地学到有用的蛋白质几何特征?
明确实验范围
AlphaFold2 的 Evoformer 已经具备强大的成对推理和三角推理能力。三角运算可以改进边的表示,但结果仍会写回残基对张量。研究者提出了一个值得检验的问题:如果模型为三角形面和四面体单元学习各自的表示,并在后续运算中保留这些表示,能否在数据有限时为模型提供有用的归纳偏置?
由此产生的公开代码仓库 SimplexFold 引入了稀疏的三角形面状态 F_ijk 和四面体状态 U_ijkl,并保留了常规的残基对表示 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
先从本页的起始提示词、一个最简的 AlphaFold2 类基线模型和公开的 NanoFold 基准测试入手。该基准测试使用一组规模较小、经过筛选的固定数据,并支持自动评分,适合开展结构生物学实验。控制首版实现的规模,以便在启动成本高昂的训练任务前,用有针对性的单元测试和微基准测试验证实现。
使用目标模式探索模型架构
- 提供一个可证伪的总体科学假设,无需让模型从头构思整个研究计划。
- 在 ChatGPT 中使用 GPT-5.5 Pro,将这个研究方向转化为实现计划,明确约束条件和要做的消融实验。
- 让 Codex 实现一个最简且可运行的 SimplexFold 基线模型,然后用有针对性的单元测试和微基准测试验证它。
- 将得到的代码仓库交给 Codex,在目标模式下让它通过爬山搜索逐步提高 NanoFold 基准测试验证集上的
lDDT-Cα分数,并要求它在此过程中保留实验日志、计划和实验产物的引用信息。 - 让目标模式持续运行,根据基准测试的反馈迭代改进架构、训练方案和实验执行框架。在本例中,这一过程持续了 150 多个小时。
用 PLAN.md 记录当前策略和后续步骤,用 EXPERIMENTS.md 按统一格式记录实验结果,用 EXPERIMENT_NOTES.md 随时记下实验过程中的想法和观察。这些记录方便您追溯长期搜索的过程,也让您可以随时据此调整下一轮迭代的方向。
这类搜索需要反复实现和测试想法、跟踪实验、诊断失败原因,并根据基准测试结果迭代,因此适合使用目标模式。缺少引导时,自动化研究往往会转向熟悉的局部调整,例如更换损失函数、调整优化器或超参数。研究者提出一个简明的架构假设,就能为 Codex 划定更有科学意义的搜索范围,同时给它留下测试、诊断和改进实现的空间。
如果您的团队希望评估研究者在实验过程中参与引导会怎样影响智能体探索科学问题的质量,也可以使用这一工作流。
实验结果示例
这一工作流产生了 SimplexFold,一种显式表示高阶单纯形状态的实验性架构。请结合基准测试日志审视模型的拓扑结构,确认每轮迭代仍在检验最初的科学设想。

这个案例并不能说明 Codex 独立解决了蛋白质折叠问题。它展示了如何用目标模式持续推进科研中的工程工作:研究者提出新的架构思路,Codex 则缩短从实现、实验和调试到后续探索的周期。
有希望的诊断结果可以作为实现路线可行的证据,但不足以证明模型能够泛化。请定期回顾智能体的探索过程。如果它开始只做局部的超参数调优,请引导它重新关注有科学意义的架构问题。只有在公开验证集上按相同条件完成对比,并进行适当的重复实验后,才能提出更强的结论。
资源
相关使用场景
注释 scRNA-seq 数据
在 ChatGPT 中使用 NGS Analysis 插件处理 10x 格式的矩阵文件包,生成经质控过滤的单细胞数据、说明阈值选择依据的过滤摘要、细胞注释和 UMAP...
验证 bulk RNA-seq 输入数据
在差异表达分析前,您可以在 ChatGPT 中使用 NGS Analysis 插件验证样本信息表、FASTQ 文件和参考数据,并获取 MultiQC 报告、Salmon...
确定药物靶点的优先级
在 ChatGPT 中使用 Life Science Research...