动态图

两篇论文虽然都涉及“动态图”或“动态交互”的概念，但侧重点和实现机制完全不同。以下是详细整理：

---

一、论文1（DGENet）：几何-运动学等变动态优化

核心：原子/残基层面的几何结构动态迭代优化

维度	内容
模块名称	Geometric-Kinematic Equivariant Dynamic Optimizer (GK-EDO)
动态含义	将抗体结构优化视为动态力场中的原子运动过程：原子在键长、键角、二面角等几何约束下受到“相互作用力”，产生位移并更新坐标。
数学形式	定义原子集 \(K\) 的几何类型 \(\mathcal{G}(K)\)（键长/键角/二面角），通过力函数 \(f_{K,i}\) 驱动速度更新 \(v_i\) 和坐标更新 \(x_i = x_i^0 + v_i\)。
迭代机制	通过 L 层循环更新（L-layer Update），在等变消息传递网络中反复精修原子坐标和节点特征。
本质	物理启发的结构动态优化：在显式几何/运动学约束下，对原子坐标进行逐层、逐轮的动态精修，最终生成合理的全原子结构。

---

二、论文2（RAAD）：关系感知的交互图动态演化

核心：抗原-抗体交互边关系的动态学习

维度	内容
模块名称	Edge Relation Updating（边关系更新）
动态含义	将抗原-抗体相互作用建模为可动态演化的边关系：随着 CDR 序列/结构在生成过程中不断变化，抗原与抗体之间的交互关系也应随之动态调整，而非依赖预给定表位的静态交互。
关键澄清	论文明确指出：此处的“动态”不是指构象动态（dynamic conformations），而是指交互图（interaction graph）的动态性。
数学形式	在每一层 RA-EGN 中，根据消息聚合强度 \(\phi_z^{(r)}(\mathbf{m}_{i,j,r}^{(l)})\) 计算伯努利概率 \(p_{i,j,r}\)，动态采样并更新抗原-抗体之间的边关系 \(R_{i,j}^{(l+1)}\)。
迭代机制	在多层网络传播过程中，边关系集合 \(R^{(l)}\) 逐层被优化，过滤无信息边，保留高交互强度的候选表位边。
本质	图拓扑的动态优化：在未知表位的前提下，让模型自动学习并动态调整“哪些抗原残基与抗体残基存在交互关系”，实现自适应的抗原-抗体对接建模。

---

三、核心对比总结

对比项	DGENet（动态图.pdf）	RAAD（构建图.pdf）
动态层级	微观的原子坐标/几何结构	宏观的图拓扑/边关系
动态对象	原子坐标、键长、键角、二面角	抗原-抗体交互边（\(r_5, r_6\) 关系）
物理 vs 关系	偏向物理几何约束（力场、运动学）	偏向关系推理（交互强度、概率采样）
是否已知表位	不强调表位是否已知	专门针对表位未知场景，动态发现交互
迭代载体	GK-EDO 模块 + L 层 EGNN	RA-EGN 层内的边关系更新机制
等变性	E(3)-等变的消息传递与坐标更新	E(3)-等变的节点/坐标更新 + 动态关系优化

---

四、一句话概括

• DGENet：动态图 = 在几何力场中动态精修原子坐标（结构动态优化）。
• RAAD：动态图 = 在生成过程中动态调整抗原-抗体交互边关系（拓扑动态演化）。