Codex 應用案例
探索蛋白質折疊模型
透過反覆實驗與基準測試,檢驗蛋白質折疊假說。
使用 Codex 的目標模式,研究並實作 AlphaFold2 架構的新改良方案,以提升蛋白質折疊預測效能。
最適合的對象
- 想用可自動評分的基準測試,評估調整模型架構、損失函數或訓練課程對模型表現有何影響的計算生物學家。
- 已根據科學原理提出假說,希望更快將構想實作為可執行的實驗分支的研究人員。
- 長期反覆執行自動化研究,需要持續追蹤實驗並在每輪實驗中除錯的機器學習工程師。
目錄
探索蛋白質折疊模型
透過反覆實驗與基準測試,檢驗蛋白質折疊假說。
使用 Codex 的目標模式,研究並實作 AlphaFold2 架構的新改良方案,以提升蛋白質折疊預測效能。
使用 Codex 的目標模式,研究並實作 AlphaFold2 架構的新改良方案,以提升蛋白質折疊預測效能。
最適合的對象
- 想用可自動評分的基準測試,評估調整模型架構、損失函數或訓練課程對模型表現有何影響的計算生物學家。
- 已根據科學原理提出假說,希望更快將構想實作為可執行的實驗分支的研究人員。
- 長期反覆執行自動化研究,需要持續追蹤實驗並在每輪實驗中除錯的機器學習工程師。
入門提示詞
探索蛋白質折疊模型的架構假設
如果你的蛋白質折疊假設需要多輪實作才能檢驗,可以使用 Codex 目標模式。為 Codex 指定範圍明確的研究方向,並提供可執行的基準模型,以及能自動評分的基準測試。Codex 可以實作新的架構分支、追蹤實驗、診斷失敗原因,並在你檢視證據的同時繼續迭代。
這個範例從一個具體問題出發:如果類似 AlphaFold2 的模型在主幹網路中,除了表示殘基與殘基對,也明確表示高階拓撲物件,是否就能更有效率地學到有用的蛋白質幾何特徵?
界定實驗範圍
AlphaFold2 的 Evoformer 已能運用成對關係和三角形結構進行推理。三角形運算能改善邊的表示,但運算結果仍會寫回成對張量。研究者提出一個值得檢驗的問題:如果讓模型學習三角形面和四面體單元的表示,並在後續運算中持續保留這些表示,能否在資料有限時為模型提供有用的歸納偏置?
這項實驗產生了公開程式碼庫 SimplexFold。它加入稀疏的面狀態 F_ijk 和四面體狀態 U_ijkl,與傳統的成對表示 Z_ij 並用。
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
先從本頁的起始提示詞、精簡的 AlphaFold2 式基準模型,以及公開的 NanoFold 基準測試開始。這項基準測試使用一組經過篩選的小型固定資料集,可自動為結構生物學實驗的結果評分。第一版實作的範圍要夠小,讓你能先用針對性的單元測試與微基準測試加以驗證,再開始成本高昂的訓練。
使用目標模式搜尋架構
- 提出一項可證偽、著眼於整體研究方向的科學假設,避免要求模型從零開始構思整套研究計畫。
- 在 ChatGPT 中使用 GPT-5.5 Pro,將這個方向轉化為實作計畫,明訂限制條件並規劃消融實驗。
- 請 Codex 實作最精簡且可執行的 SimplexFold 基準模型,再用針對性的單元測試與微基準測試驗證實作。
- 將完成的程式碼庫交給 Codex 目標模式,要求它採用爬山法,逐步提高模型在 NanoFold 基準測試驗證集上的
lDDT-Cα分數,同時保留實驗紀錄、計畫與實驗產出物的參照資訊。 - 讓目標模式持續執行,依據基準測試的回饋,反覆調整架構、訓練方法與實驗任務執行框架。在這個範例中,整個迭代過程持續了超過 150 小時。
用 PLAN.md 記錄目前的策略與後續步驟,用 EXPERIMENTS.md 以一致的格式記錄實驗結果,再用 EXPERIMENT_NOTES.md 隨時記下實驗中的觀察與想法。這些文件讓長時間的搜尋過程有跡可循,也讓你能在固定的位置指引下一輪迭代的方向。
目標模式適合這項搜尋,因為搜尋過程需要反覆實作、測試、追蹤實驗、診斷失敗原因,並依據基準測試結果調整下一輪實驗。在缺乏引導的情況下,自動化研究往往會逐漸轉向熟悉的局部調整,例如更換損失函數、調整最佳化器或超參數。研究者提出簡明的架構假設,讓 Codex 能在更具科學意義的範圍內搜尋,同時仍有空間測試、診斷並改進實作。
團隊也可以使用這套工作流程,評估研究者在過程中引導方向,會如何影響智慧體探索科學問題的品質。
實驗結果範例
這套工作流程產生了 SimplexFold,這是一種明確表示高階單純形狀態的實驗性架構。請對照拓撲結構與基準測試紀錄,確認每輪迭代都仍在檢驗最初的科學構想。

這個範例不足以說明 Codex 已自主解決蛋白質折疊問題。它展示了如何利用目標模式持續推進科學研究中的工程工作:研究者提出新的架構構想,Codex 則縮短從實作、實驗、除錯到後續搜尋所需的時間。
診斷結果若令人看好,可以作為實作方向可行的證據,但仍不足以證明模型具備泛化能力。請定期檢視智慧體的探索過程。如果它開始只做局部的超參數調校,就將方向拉回具有科學意義的架構問題。等到在相同條件下使用公開驗證資料完成比較,並進行適當的重複實驗後,再提出更強的結論。
資源
相關應用案例
註解 scRNA-seq 資料
在 ChatGPT 中使用 NGS Analysis 外掛程式處理一組 10x 格式的矩陣檔案,取得經過品管篩選的單細胞資料、載明門檻選擇依據的篩選摘要、細胞註解與 UMAP...
驗證 bulk RNA-seq 輸入資料
在 ChatGPT 中使用 NGS Analysis 外掛程式驗證樣本表、FASTQ 檔案和參考資料,並在差異表現分析前取得 MultiQC 報告、Salmon...
排定藥物標的優先順序
在 ChatGPT 中使用 Life Science Research...