ProHiFlo：面向从头蛋白质生成的分层流匹配与功能引导框架，是由 Chuanzhen Wang 等三位作者完成的一项研究，于 2026 年 6 月 3 日提交至 arXiv，预印本编号为 arXiv:2606.11243（cs.LG 主分类，同时归入 cs.CL），全文共 23 页，DOI 为 10.48550/arXiv.2606.11243。论文关注的是从头蛋白质生成（de novo protein generation）这一方向，作者认为该技术在治疗性分子设计、酶工程与合成生物学等领域具有变革性潜力。
研究背景方面，扩散模型与流匹配方法近年来在蛋白质生成上取得了明显进展，但作者指出这类方法通常只在单一分辨率上运作，并且缺乏将功能约束纳入生成过程的机制。也就是说，现有模型难以在生成阶段直接引导结构朝向特定的功能属性，往往需要在生成之后再做筛选或重新训练。ProHiFlo 正是针对这两点不足提出的改进框架。
ProHiFlo 的核心是分层流匹配，包含三项创新。第一是粗到细的生成策略：模型先建模蛋白质骨架的几何结构，再细化到全原子坐标，从而在保持精度的同时降低计算开销。第二是功能引导机制：借助预训练预测器来引导生成过程朝向目标性质，而无需对生成模型进行重新训练。第三是自适应的 SE(3) 等变架构，用于高效地进行多尺度处理，使模型在不同分辨率之间切换时仍能保持对旋转和平移的等变性。
实验部分覆盖了无条件生成、基序支架（motif scaffolding）以及功能性设计等任务。作者报告 ProHiFlo 在这些任务上取得了当前最优性能，同时所需的采样步数比对比方法少 4 步，这意味着生成效率有明显提升。在酶活性位点支架这一具体任务上，ProHiFlo 的成功率达到 58.9%，而作为对比的 RFDiffusion 为 41.2%，两者的差距体现了分层生成与功能引导结合带来的实际收益。
从意义上看，这项工作把多尺度建模与功能约束引入蛋白质生成流程，试图解决单分辨率模型与缺乏功能控制这两类瓶颈，并给出了可量化的实验结果。不过需要说明的是，这些数据来自论文自述的实验设置，论文目前为预印本状态，尚未经过同行评审，其结论仍需后续独立验证。该预印本于 2026 年 6 月 3 日 09:11:28 UTC 提交，文件大小约 12,237 KB，作者为 Chuanzhen Wang 及另外两位合作者。