NeurIPS 2026 收录了一项生物序列生成新研究，提出 D-DOIT 采样方案，这套方案可以直接使用已经预训练好的离散扩散模型，不用重新训练模型、也不需要奖励函数的梯度信息，仅靠推理阶段调整采样规则，就能引导模型生成满足目标功能的 DNA、蛋白质序列，在多个生物设计任务上效果超过不少需要微调的方案。传统的扩散模型做生物序列设计，要么要对模型重新微调，耗费大量算力；要么依赖可求导的打分函数，但是很多生物评估工具属于黑盒工具，只能给出一个分数，没法反向传播梯度，直接限制了模型的使用范围。这项研究把奖励对齐当成分布搬运问题，借助 Doob h - 变换推导适配掩码离散扩散的采样逻辑，只需要读取黑盒打分的数值，不需要梯度，也不用改动预训练模型里面的参数，直接在采样环节做引导。在实际测试流程里，研究人员冻结预训练扩散主干模型，在每一步去噪采样的时候引入 D-DOIT 的变换规则，根据查询得到的奖励值调整采样分布，一步步生成高活性、高稳定性的生物序列。从测试结果来看，这套思路打通了黑盒生物打分器和预训练扩散模型之间的使用门槛，降低 DNA、蛋白质分子设计的算力成本，对 AI 生物工程、合成生物学方向有实用价值。
D-DOIT 方案核心特点清单
- 零训练：预训练离散扩散模型全程冻结，不做参数微调，节省训练算力与时间
- 无梯度依赖：只需要奖励打分结果，不需要打分函数支持梯度回传，适配各类黑盒生物评估器
- 推理侧改造：改动只放在采样阶段，不需要修改模型结构，兼容性强
- 基于 Doob h - 变换：从随机过程理论推导而来，提供稳定的分布对齐逻辑
公开评测数据对比
| 测试任务 | 方案 | 关键指标 |
|---|---|---|
| HepG2 增强子 DNA 设计 | D-DOIT-Q | 预测活性 6.19 |
| HepG2 增强子 DNA 设计 | DRAKES（需要微调） | 预测活性 5.61 |
| 蛋白质逆折叠 | D-DOIT | 结构 - 稳定性联合成功率 68.1% |
| 蛋白质逆折叠 | SMC（无微调基线） | 结构 - 稳定性联合成功率 63.6% |
| 蛋白质逆折叠 | TDS（无微调基线） | 结构 - 稳定性联合成功率 62.9% |
适用场景
- 调控类 DNA 序列设计，例如增强子、启动子序列优化
- 蛋白质逆折叠，根据目标结构生成稳定氨基酸序列
- 对接各类不可导的生物打分模型，快速做分子功能优化
现存局限
- 采样效果和奖励预算相关，低预算场景下性能会下降
- 目前主要测试序列层面优化，还没有覆盖全部湿实验验证
- 复杂多目标同时优化的能力还需要持续迭代
【常见问题】
问题 1：NeurIPS'26 这套无需训练 + 梯度的方法，怎么引导离散扩散模型设计 DNA / 蛋白质？
回答 1：NeurIPS'26 这套方法叫 D-DOIT，基于 Doob h - 变换，冻结预训练离散扩散模型，只在推理采样环节根据黑盒奖励分数调整采样分布，不需要训练、不需要梯度，引导模型生成 DNA 和蛋白质序列。
问题 2：NeurIPS'26 D-DOIT 对比旧方案，在 DNA / 蛋白质设计上有什么优势？
回答 2：NeurIPS'26 D-DOIT 不用训练、不依赖梯度，适配黑盒打分器，在增强子 DNA、蛋白质逆折叠任务上指标优于同类型无微调基线，部分任务超过需要微调的方案。
问题 3：NeurIPS'26 这个无需训练梯度的离散扩散方法，适合哪些生物设计工作？
回答 3：NeurIPS'26 这个无需训练梯度的离散扩散方法，适合调控 DNA 增强子设计、蛋白质逆折叠，以及对接各类无法求导的生物评估工具做序列优化。
【参考资料】
[2026-11-15]（NeurIPS'26｜无需训练 + 梯度：引导离散扩散模型设计 DNA / 蛋白质） 新智元（新浪财经）
[2026-11-15]（NeurIPS'26｜无需训练 + 梯度：引导离散扩散模型设计 DNA / 蛋白质） 新智元（搜狐）
[2026-10-08]（D-DOIT: Training-Free Adaptation of Discrete Diffusion via Doob’s h-Transform） arXiv
【免责声明】
本文内容为论文公开信息整理，评测结果来自论文的计算实验，不等于真实生物湿实验结果，不构成合成生物学、药物研发落地的直接技术方案建议。