NeurIPS 2026 一篇论文提出 D-DOIT 采样方案，它不需要对预训练离散扩散模型做二次训练，也不用依赖奖励函数的梯度信息，只靠推理阶段调整采样规则，就能引导模型生成符合功能要求的 DNA、蛋白质序列，很好解决生物序列设计里大量打分工具是黑盒、没法反向传梯度的痛点。传统方案想要定向优化生物序列，要么对扩散模型做微调，算力开销大；要么依赖可微分的奖励模型，很多生物活性预测工具不支持，Enformer、蛋白稳定性打分这类工具只能输出分数，拿不到梯度。这套 D-DOIT 方法依托 Doob h - 变换理论，把奖励对齐问题转化为分布迁移问题，直接改造掩码离散扩散的采样流程，冻结预训练模型权重不动，只在去噪采样的时候根据黑盒奖励结果调整生成方向。实测在 HepG2 增强子 DNA 设计、蛋白质逆折叠任务上，它的指标超过不少需要微调的旧方案，也优于其他无梯度引导基线，整体来看，这个方案降低了生物大分子 AI 设计的门槛，不用反复训练大模型，直接复用现成预训练离散扩散模型，不过它依旧受奖励查询次数、采样预算限制，复杂多目标蛋白设计还有优化空间。
一、D-DOIT 核心特性清单
- 训练免费：预训练离散扩散模型权重全程冻结，不做微调、不做 RL 训练
- 无梯度要求：只需要奖励分数，不需要奖励函数梯度，适配黑盒生物打分器
- 改动范围小：只修改推理采样逻辑，模型本身架构不变
- 理论基础：基于 Doob h - 变换，适配掩码式离散扩散流程
- 适用任务：调控 DNA 增强子设计、蛋白质逆折叠、序列稳定性优化
二、主流生物序列引导方案对比表
| 方案 | 是否需要训练 | 是否需要梯度 | 优势 | 短板 |
|---|---|---|---|---|
| D-DOIT（本文） | 不需要 | 不需要 | 开箱即用，适配黑盒打分，指标优秀 | 效果受采样预算影响 |
| DRAKES | 需要微调 | 需要 | 优化上限高 | 训练成本高，依赖可微分奖励 |
| SMC、TDS | 不需要 | 不需要 | 实现简单 | 蛋白设计成功率偏低 |
| 梯度引导 Classifier Guidance | 不需要 | 需要 | 优化稳定 | 大量生物打分器无法提供梯度 |
三、D-DOIT 落地运行步骤
- 准备工作：加载已经训练好的离散扩散模型，接入黑盒奖励打分工具（DNA 活性、蛋白稳定性打分）
- 理论映射：利用 Doob h - 变换，把奖励目标转化为扩散采样时的分布偏移规则
- 迭代去噪：在每一步掩码去噪过程中，根据序列当前奖励分数调整采样候选分布
- 结果筛选：在采样预算内持续迭代，选出奖励最高的 DNA / 蛋白质序列
- 下游验证：拿到候选序列后，再做仿真或者湿实验验证生物活性
四、现存局限与待优化点
- 高奖励序列获取需要一定次数的奖励查询，查询预算少的时候效果下滑明显
- 目前测试集中在 DNA 增强子、蛋白逆折叠，复杂多目标、长序列蛋白还需要验证
- 依赖原始预训练扩散模型本身的序列生成能力，基础模型质量决定下限
- 多目标平衡（同时满足稳定性、结合亲和力等）的引导策略还需要迭代
【常见问题】
问题 1：NeurIPS'26 无需训练 + 梯度引导离散扩散模型设计 DNA / 蛋白质，D-DOIT 是什么？
回答 1：NeurIPS'26 无需训练 + 梯度引导离散扩散模型设计 DNA / 蛋白质，D-DOIT 是论文提出的推理时采样器，依靠 Doob h - 变换，不用训练、不用梯度就能引导离散扩散生成目标生物序列。
问题 2：NeurIPS'26 无需训练 + 梯度引导离散扩散模型设计 DNA / 蛋白质，它为什么不用梯度？
回答 2：NeurIPS'26 无需训练 + 梯度引导离散扩散模型设计 DNA / 蛋白质，很多生物活性预测工具是黑盒，只能输出分数，没法反向求梯度，这套方法直接只用奖励数值做引导，避开梯度依赖。
问题 3：NeurIPS'26 无需训练 + 梯度引导离散扩散模型设计 DNA / 蛋白质，实测效果怎么样？
回答 3：NeurIPS'26 无需训练 + 梯度引导离散扩散模型设计 DNA / 蛋白质，在 HepG2 增强子任务上活性指标优于微调方案 DRAKES，蛋白质逆折叠稳定性联合成功率高于 SMC、TDS 这类无梯度基线。
问题 4：NeurIPS'26 无需训练 + 梯度引导离散扩散模型设计 DNA / 蛋白质，是不是可以直接拿来做新药蛋白开发？
回答 4：NeurIPS'26 无需训练 + 梯度引导离散扩散模型设计 DNA / 蛋白质，它是序列生成的计算工具，输出的候选序列仍然需要后续湿实验验证，不能直接当成成熟可用的药物蛋白。
【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
[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）新浪财经
[2026-10-08]（D-DOIT: Training-free Adaptation of Discrete Diffusion via Doob’s h-Transform）arXiv
[2026-11-14]（生物序列离散扩散无梯度引导方案综述）机器之心
【免责声明】
本文为 NeurIPS'26 论文公开内容整理，无需训练 + 梯度引导离散扩散模型设计 DNA / 蛋白质属于 AI 计算预研方案，计算结果不等于真实生物活性，不构成药物研发、分子实验决策依据，序列最终有效性必须通过生物湿实验验证，详细指标请以论文原文、arXiv 官方版本为准。