应用 WIT 于 MSFold：一个回顾性案例

论文： Sampling in structure-token space enables accurate prediction of multiple protein conformations
审阅版本： 用户提供的最新版 MSFold (3)(1).pdf
主题： 利用 ESM3 structure-token space 与 parallel tempering 进行蛋白质多构象预测
WIT 角色： 应用案例，而不是对 WIT 的独立检验。MSFold 的研究与写作过程发生在 WIT 尚未成熟定型的阶段，因此这个案例更适合回顾性展示：WIT 如何用于真实科研项目，组织 scientific questions、解释 findings、选择高信息量的下一步、校准 claims，并形成论文的 scientific story。

1. WIT 在这个案例中如何发挥作用

把 WIT 应用于 MSFold，可以把研究推进与论文写作重新组织成一条连续的 scientific reasoning chain，而不是把 WIT 只当成文章完成后的审稿工具：

WIT 把 MSFold 的 research decisions 与 writing decisions 连接起来：central question、experiment、finding、follow-up question、claim strength 与 paper structure 可以作为同一个 reasoning process 来处理。

用 WIT 继续推进当前 manuscript，会自然暴露出几个仍值得加强的 research / writing 问题：

Introduction 中“missing component = sampling”的主线很强，但 ranking 也是明确 bottleneck，需要把主次关系说得更清楚。
Results 2.6 从有限的 representation comparison 上升到“sampling depends on representation”时，已经接近 2-hop / general principle，需要进一步限制 claim 的边界。
SLL 的 benchmark-level improvement 相对有限，因此 “effective criterion” 的措辞应与 evidence strength 对齐。
由于 multi-conformation success 采用 best-of-ensemble 思路，baseline comparison 是否匹配 sampling budget / ensemble size 是一个高优先级 reviewer question；当前主文正文没有把这一点交代清楚。
Boundary-condition analysis 仍可加强：哪些 proteins / transition types 上成功或失败？这是目前信息增益很高、而且可能成本较低的分析。

因此，这个案例的目的不是证明 MSFold “把 WIT 全部打勾”，而是展示 WIT 在真实项目中的工作方式：

Finding → Question → Competing Explanations → Discriminating Test → Interpretation → Next Step → Scientific Story

即使 story 已经很强，WIT 仍会继续追问：哪些 claim 超出了 evidence，哪些 competing explanations 尚未排除，哪些 boundary conditions 仍不清楚。

2. Introduction：Final Goal → Missing Component → This Study

2.1 Final Goal

论文首先建立了明确的最终目标：

从单一蛋白质序列预测多个 functionally relevant conformations，而不是只预测一个 dominant structure。

这个目标不是纯粹算法任务。论文把它连接到 ligand recognition、catalysis、transport 和 allosteric regulation 等功能过程，并指出实验结构数据库只能提供 conformational equilibria 的部分视图。

因此 Introduction 的第一层功能非常清楚：

Why does multi-conformation prediction matter?

2.2 Necessary Components

文章随后把 accurate multi-conformation prediction 拆成两个必要能力：

efficient sampling + precise selection

也就是说：

必须能够探索 conformational space，找到 alternative states；
找到以后，还必须从 ensemble 中识别 plausible conformations。

这个拆分很好，因为它避免把“生成很多结构”误认为“解决了多构象预测”。

2.3 Established Components

Previous studies 已经建立了多类组件：

MD 可以探索 dynamics，但受 sampling cost、timescale 和 force field 限制；
AlphaFold / RoseTTAFold 等方法擅长 dominant conformation；
MSA sampling、clustering、diffusion、flow matching 可以增加 diversity；
ESM3 提供了结构的 discrete token representation 与 decoder。

特别重要的是 ESM3：

3D structure → residue-level structure-token sequence → 3D structure

这意味着 representation 与 decoding machinery 已经存在。

2.4 Missing Component

文章给出的核心判断是：

an effective sampling strategy has remained elusive.

标准 ESM3 decoding，包括 argmax 和 temperature-controlled randomization，本质上仍偏向 local search，难以跨越 barrier 到达 alternative basins。

MSFold 因此补上：

parallel tempering in structure-token space

并同时提出 SLL 用于 ranking。

这与 WIT 的 Introduction 逻辑高度一致：

Final Goal → Necessary Components → Established Components → Missing Component → This Study

WIT 应用

强。

但这里存在一个值得进一步精炼的逻辑点：

前一段已经明确说：

ranking is a further challenge

随后却说：

the missing component is effective sampling

而 MSFold 又同时提出 sampling + SLL ranking。

因此最好明确层级：

Primary missing component: effective global sampling
Secondary unresolved bottleneck: reliable ranking / selection

这样 central story 会更集中，也能避免给读者一种“刚说有两个缺口，下一段突然只剩一个缺口”的感觉。

3. 六维 Scientific Question Space

WIT 将“把问题打开”定义为六个 scientific dimensions：

Existence → Determinants → Cause → Mechanism → Boundary Conditions → Magnitude

MSFold 几乎覆盖了全部六维，但覆盖程度并不相同。

3.1 Whether → Existence

问题：

MSFold 是否真的能够恢复多个 experimentally determined conformations？

核心 benchmark：

312 proteins；
成功定义：Fold 1 和 Fold 2 都达到 TM-score ≥ 0.75；
MSFold：161 / 312，success rate = 0.516；
AlphaFold3：0.378；
AlphaFold2：0.360；
其他方法更低。

因此 Existence 得到非常直接的回答：

MSFold 的 multi-conformation recovery advantage 确实存在。

3.2 What → Determinants

问题：

哪些因素决定 multi-conformation prediction 的成功？

文章实际上逐步识别出多个 determinants：

sampling strategy；
replica exchange；
temperature regime；
representation of the search space；
ranking criterion；
sampling budget / parameter setting。

尤其：

2.3 Sampling strategy is critical for multi-conformation prediction

直接回答了一个 determinant question。

随后 2.6 又把 determinant 从 algorithm 推向 representation：

the representation of the search space also matters.

因此 What 维度比较充分。

3.3 Why → Cause

问题：

为什么标准 prediction / decoding 方法容易漏掉 alternative conformations？

论文给出的主要 causal explanation 是：

standard decoding and local sampling are biased toward the dominant local basin / dominant mode.

最有力的证据来自一个相对干净的 comparison：

都使用 ESM3 structure-token representation；
argmax / iterative sampling 与 MSFold 的主要区别是 sampling strategy；
success rate 分别约 0.330 / 0.370 / 0.516。

这使得：

sampling accessibility

成为 performance gap 的一个有力 causal explanation。

3.4 How → Mechanism

问题：

parallel tempering 如何使 alternative states 变得可达？

论文不是停留在“parallel tempering works”，而是继续分析：

low-T replicas：local refinement；
high-T replicas：broader exploration；
replica exchange：将两者结合；
trajectory 显示 basin-to-basin transition；
disabling exchange 会降低 transition ability；
single-temperature low T 被困在 dominant basin；
single-temperature high T 产生 distorted structures。

因此可以形成清楚的 mechanism chain：

local-search trapping
→ temperature-separated exploration/refinement
→ replica exchange
→ barrier crossing / basin transitions
→ alternative-state recovery

这是 Why 与 How 区分得非常好的例子：

Why：问题来自 local-search bias。
How：parallel tempering 通过 high-T exploration + low-T refinement + exchange 解决它。

3.5 When → Boundary Conditions

这一维度已经有一些重要 evidence：

diverse conformational changes；
temporal holdout；
pre-cutoff / post-cutoff structures；
多个 case studies；
high / intermediate / low temperature；
parameter sensitivity。

特别是 temporal evaluation：

在 ESM3 training cutoff 之后发布结构的 32 proteins 上，MSFold success rate = 0.594。

这说明 performance improvement 不容易被“结构记忆”简单解释。

但是 WIT 会继续问：

什么时候 MSFold 成功，什么时候失败？

目前仍缺少更系统的 boundary map，例如：

apo–holo、fold switching、secondary-structure change 分别如何？
small vs large proteins？
single-domain vs multi-domain？
conformational distance 增大时 success rate 如何变化？
ESM3 对某区域 token entropy 很低时是否更容易失败？
需要多少 replicas / steps 后性能开始饱和？

这类分析很可能具有：

low experimental cost + high information gain

因此是 WIT 会优先建议的下一步分析之一。

3.6 To what extent → Magnitude

论文提供了多个层面的 magnitude：

overall success：0.516；
Fold 1 average TM-score：0.821；
Fold 2 average TM-score：0.740；
temporal holdout success：0.594；
LAOBP 两种状态：TM-score 约 0.99 / 0.98；
SLL / pTM / pLDDT 的 correlation 和 ranking comparison。

所以文章并没有停留在：

“有效。”

而是继续回答：

“有效到什么程度？主要改善哪里？”

特别是 Fold 1 / Fold 2 decomposition 很有价值，因为它揭示：

gain 主要来自 alternative-state recovery，而不是通过牺牲 dominant-state accuracy 换来的。

4. Results Titles：是否能组成一篇“小 Essay”？

最新版 Results titles 是：

MSFold recovers multiple protein conformations across diverse proteins
MSFold generalizes beyond known structures
Sampling strategy is critical for multi-conformation prediction
MSFold traverses conformational landscapes to access alternative states
Parallel tempering enables exploration beyond local basins
The discrete structure-token space reshapes conformational sampling
Sequence log-likelihood improves selection of plausible conformations

把标题连起来，可以还原成一条非常清楚的问题链：

Does it work?
→ Does it generalize beyond memorization?
→ What causes the gain?
→ What does successful exploration look like?
→ How does parallel tempering create transitions?
→ Why does representation matter?
→ After exploration, how do we select useful outputs?

WIT 应用

非常强。

这是典型的 Finding-driven Results。

对 MSFold 而言，WIT 在这里的实际作用是：

Results should expose the logical progression of the scientific story.

MSFold 采用的是 finding-driven progression。WIT 并不要求固定标题格式，而是要求读者能够从 Results 的顺序恢复出科学推理如何一步步推进。

5. Results Subsection：Fact → Restrained 1-hop Opinion

5.1 Section 2.1：Performance

Fact

MSFold success rate = 0.516；
Fold 1 accuracy 与 AlphaFold3 / AlphaFold2 接近；
Fold 2 accuracy 明显更高。

1-hop Opinion

文章总结：

MSFold 的主要 improvement 来自 enhanced Fold 2 recovery，同时保持 Fold 1 accuracy。

这是非常典型的：

Fact → 1-hop Opinion

没有过早上升到“representation + search”的 general principle。

WIT 应用

非常好。

5.2 Section 2.2：Generalization vs Memorization

Question

Improvement 是 genuine generalization，还是 training-data exposure / memorization？

Test

post-ESM3-cutoff temporal subset。

Fact

MSFold success rate = 0.594，与 full benchmark 0.516 相当，并继续优于多数方法。

1-hop Opinion

advantage is unlikely to be explained by simple memorization.

这一措辞是合适的，因为它说的是：

unlikely

而不是：

memorization has been completely ruled out.

一个 borderline inference

第二个 temporal analysis 中，AlphaFold2 即使在两种 endpoint structures 都早于 cutoff 时，仍低于 MSFold。文章随后说：

the major limitation likely lies in the prediction objective and inference procedure.

这个 conclusion 比前面的 Fact 多走了一步。

likely 已经起到 restraint 的作用，但从 WIT 看，它仍接近：

1.5-hop

因为“不是 exposure 就是 objective/inference”并没有完全排除其他 competing explanations。

更稳妥的理解是：

prior exposure alone is insufficient; objective/inference remain plausible major contributors.

6. Section 2.3：Competing Hypotheses 与 Discriminating Experiment

这是整篇文章里很符合 WIT 的一节。

可能解释：

H1：performance gain 来自 ESM3 的 representation。
H2：performance gain 来自 better sampling。

实验设计：

固定 ESM3 structure-token representation，只改变 sampling / decoding strategy。

结果：

argmax：0.330；
iterative sampling：0.370；
MSFold：0.516。

因此：

sampling strategy is a critical determinant

得到比较强的 discrimination。

WIT 应用

这一节比普通 baseline comparison 更有科学价值。

因为它不是问：

“谁分数高？”

而是问：

“是什么造成分数差异？”

这正是：

Competing Hypotheses → Discriminating Experiment

7. Sections 2.4–2.5：从 Finding 到 Mechanism

7.1 Section 2.4：What happens during successful sampling?

LAOBP trajectory 显示：

local refinement periods；
Fold 1 / Fold 2 similarity curves crossing；
dominant ↔ alternative basin transitions；
UMAP ensemble 出现两个主要 clusters；
additional case studies 显示类似 behavior。

这一节首先建立：

MSFold 不只是生成两个 endpoint，而是在 sampling trajectory 中访问不同 basins。

它主要回答：

What does the process look like?

7.2 Section 2.5：Why / How do transitions happen?

接下来才真正问：

什么 mechanism 支持 basin transitions？

证据：

high-T replica 更 diverse；
low-T replica 更 concentrated；
disable exchange 后 transition ability 下降；
single-temperature low T 陷入 dominant basin；
high T 产生 distorted conformations。

因此形成：

high-T exploration + low-T refinement + replica exchange

这一 mechanism explanation 比单纯 trajectory visualization 更有力。

WIT 应用

2.4 与 2.5 看似接近，其实 reasoning function 不同：

2.4 = phenomenon / process observation
2.5 = mechanism test

因此目前分成两节是合理的，而不是重复。

8. Section 2.6：Representation 的结论是否走得太远？

这一节很重要，因为它推动文章从：

sampling algorithm matters

进一步走向：

representation + sampling jointly matter

证据包括：

单次 token update 可改变很大比例 residues；
large-scale token changes 对应 substantial conformational moves；
同一个 structural basin 可以对应不同 token sequences；
10-ns Cartesian-space MD 中，多数测试 proteins 没有发生 state transition。

文章由此写道：

the success of sampling algorithms depends not only on the algorithm itself, but also on the representation of the search space

这是一个非常漂亮的 principle。

但从 WIT 的 inference-distance 看，它也是全文最需要小心的一处。

原因是：

局部实验是在 ESM3 discrete token sampling 与有限时间 Cartesian MD 之间进行的。

而 conclusion 已经接近：

sampling algorithms in general depend on representation

这已经从 subsection-level 1-hop 往 Discussion-level abstraction 走。

WIT 建议

Results 中可以更 restrained：

Within the tested settings, the discrete structure-token representation changes the scale and connectivity of accessible conformational moves, facilitating broader exploration.

然后在 Discussion 中再上升为：

conformational prediction is a joint problem of representation and search.

这样：

Fact → 1-hop → 2-hop / General Principle

层级会更干净。

最新版 Discussion 已经对 10-ns MD 的解释加了 boundary：

只能视为 tested conditions 下的 sampling accessibility difference，而不能作为 MD 一般性 limitation 的证据。

这一点非常重要，也符合 WIT。

9. Section 2.7：SLL 的 Claim–Evidence Alignment

SLL 的 scientific motivation 很自然：

broader exploration 成功以后，下一个 bottleneck 是 selection。

这很好地体现：

Finding → New Question

SLL 在 LAOBP case 上：

Spearman ρ = 0.71；
pTM = 0.65；
pLDDT = 0.68；
两个高质量 structures 被 SLL 排进 top 1%，而 pTM / pLDDT 排名较差。

但在 312-protein benchmark 上，top-ranked average TM-score 的 improvement 相对 modest：

Fold 1：SLL 0.720 vs pTM 0.715 vs pLDDT 0.697；
Fold 2：SLL 0.611 vs pTM 0.607 vs pLDDT 0.593。

因此：

“SLL improves selection” 有 evidence。

但：

“SLL solves ranking” 没有 evidence。

当前 Discussion 也明确承认：

reliable selection of plausible alternative conformations remains unresolved.

WIT 应用

整体 claim 已经比较克制。

但 Results 最后的：

SLL provides an effective criterion

可以考虑进一步校准为：

SLL provides a complementary reference-free criterion and modestly improves ranking on the benchmark, with larger gains in selected challenging cases.

这会使 claim strength 与 evidence strength 更贴合。

10. Discussion：应用 WIT 的 Core Functions

WIT 修正后的 Discussion 不要求固定六段式，而关注两个 core functions：

Integrated Interpretation → Broader Meaning / justified abstraction

MSFold 在这一点上做得很好。

10.1 Integrated Interpretation

第一段综合了：

benchmark improvement；
Fold 2 recovery；
temporal holdout；
standard decoding comparison。

然后得到：

pretrained model 的 multi-conformation capability 不只取决于“学到了什么”，还取决于 inference 时“如何访问这些信息”。

这明显不是重复 Results，而是：

multiple local findings → integrated 2-hop interpretation

一个需要注意的 inference

文章说：

pretrained model already encodes structural information relevant to multiple conformations.

这不是被直接观测到的 Fact，而是由：

same representation；
different sampling；
alternative-state recovery；
post-cutoff generalization

共同支持的 interpretation。

这正适合放在 Discussion，而不是 Results。

10.2 Broader Meaning / General Principle

第二段提出：

conformational prediction should be viewed as a joint problem of representation and search.

这个 principle 有多组 Results 支撑：

2.3：sampling matters；
2.5：search mechanism matters；
2.6：representation matters。

因此它不是空泛拔高。

这是很好的：

multiple 1-hop findings → 2-hop interpretation → abstraction

10.3 Optional Extensions：Limitations / Future Studies

对 MSFold 而言，显式 limitations 很有必要，因为几个 unresolved bottlenecks 本身就是 scientific story 的重要组成部分。

当前 Discussion 列出：

ESM3 encoded information 的上限；
quantization / decoding error；
computation cost；
10-ns MD timescale boundary；
ranking remains unresolved。

这些 limitations 大部分都有明确 scientific origin，不是模板化的：

Finding → unresolved question → current constraint

尤其 ranking：

broader exploration → more conformations → harder selection

这是从 Results 自然生长出来的 limitation。

因此 Future Study：

better exploration + better selection

也不是愿望清单。

WIT 应用

这是很好的 optional-extension 使用场景。

WIT 并不把 limitations / future work 当作 mandatory surface sections；但在 MSFold 中：

当 unresolved bottleneck 对 central story 很重要时，就应该明确写。

11. 用 WIT 做 Falsification / Counterexample Check

对 MSFold 的 central claims，可以主动问：

11.1 “MSFold improvement 只是 memorization”

潜在 falsifier：

post-cutoff proteins 上 improvement 消失。

实际结果：

没消失。

因此这个 competing explanation 被明显削弱。

11.2 “只要 ESM3 representation 好，sampling 无所谓”

潜在 falsifier：

同一 representation 下 argmax / iterative / MSFold 表现接近。

实际结果：

差异明显。

因此 sampling claim strengthened。

11.3 “只要提高 temperature 就能找到 alternative states”

潜在 falsifier：

single high-T sampling 与 MSFold 同样有效。

实际观察：

high T 产生大量 distorted structures；low T 被困在 dominant basin。

因此：

high temperature alone is insufficient.

支持 replica-exchange mechanism。

11.4 “replica exchange 并不重要”

潜在 falsifier：

disable exchange 后 behavior 不变。

实际：

transitions 与 exploration ability 下降。

因此 exchange 的 mechanism claim strengthened。

11.5 “SLL 是可靠的 ranking solution”

这里反而出现一个有价值的“软 counterexample”：

benchmark-level improvement 相对 modest，而且 Discussion 自己承认 reliable ranking remains unresolved。

因此 WIT 的处理不是“删除 SLL”，而是：

Counterexample / weak gain → narrow the claim → better claim

即：

SLL 是一个 useful / complementary reference-free ranking signal，而不是 ranking problem 的完整解决方案。

这正好体现：

A successful falsification sharpens the claim.

12. Claim–Evidence Mapping

Major Claim	Main Evidence	WIT 判断
MSFold improves multi-conformation recovery	312-protein benchmark；0.516 success rate	强支持
Gain mainly comes from Fold 2 recovery	Fold 1 / Fold 2 decomposition	强支持
Improvement is not simple memorization	post-ESM3-cutoff temporal subset	有力支持，但不是对所有 memorization mechanisms 的绝对排除
Sampling is a critical determinant	same ESM3 representation + different sampling strategies	强 discriminating evidence
Parallel tempering enables basin transitions	trajectories + exchange ablation + single-T comparison	强机制支持
Representation reshapes accessible conformational moves	token-update analysis + MD comparison	支持，但 generalization 必须受 tested conditions 约束
SLL improves ranking	case study + 312-protein benchmark	有支持，但整体 improvement modest
Pretrained PLM encodes more conformational information than standard decoding reveals	synthesis of sampling and temporal evidence	合理 2-hop interpretation，不是直接 observation
Prediction depends jointly on representation and search	synthesis of 2.3 / 2.5 / 2.6	合理 General Principle

13. Reviewer Stress Test

WIT 要求投稿前问：

最强 reviewer 会攻击哪三件事？

对当前版本，我认为至少有以下四个高价值问题。

13.1 Sampling Budget / Ensemble Size 是否公平？

MSFold 生成：

40 replicas × 500 steps = 20,000 conformations

而 success metric 使用 sampled ensemble 中的 best matching conformations。

因此 reviewer 很自然会问：

baseline 是否使用可比的 sample count / compute budget？

如果某些 baseline 只产生远少于 20,000 structures，那么：

best-of-N 本身会带来优势。

当前主文正文没有把这个 control 讲清楚。

如果 Supplementary 已严格控制：

建议在主文中明确指出。

如果没有：

这是高优先级 discriminating control。

因为它可能直接改变 central performance claim 的解释。

13.2 Representation vs MD Comparison 是否足够公平？

当前 10-ns MD comparison 很容易被 reviewer 问：

短时间 MD 没 transition，是否只是 timescale 不够？

Discussion 已经正确收缩 claim，这是优点。

但如果要进一步支持：

representation reshapes sampling

最好寻找更 matched 的 comparison，而不是把主要证据压在短 MD 上。

13.3 Boundary Conditions 在哪里？

312-protein overall score 很强，但 reviewer 可能继续问：

哪些 proteins 成功？哪些失败？为什么？

如果现有数据允许，建议做：

performance vs conformational-change type；
performance vs protein size；
performance vs Fold1–Fold2 structural distance；
performance vs token entropy / diversity；
performance vs domain architecture。

这是很典型的：

When → Boundary Conditions

而且很可能是低成本、高 information gain 的 analysis。

13.4 Ranking Claim 是否过强？

SLL 有优势，但 benchmark average gain 不大。

因此：

“improves” 没问题；“solves / reliable / substantially better” 要谨慎。

这不是 fatal flaw，而是 claim calibration。

14. Information Gain：用 WIT 选择下一步

如果只根据 WIT 选择下一步，而不是“还能做什么”，优先级可以这样排。

Priority 1：Matched Sampling-Budget Control

原因：

它可能改变 central benchmark advantage 的解释。

这是最高 information gain。

Priority 2：Failure / Boundary Analysis

原因：

overall success 已经比较充分，再加一个类似 benchmark 信息增益不大。

相比之下：

什么时候有效 / 什么时候失效

会显著增加 scientific understanding。

Priority 3：更强的 Representation Control

目标：

区分“parallel tempering algorithm 本身”与“discrete representation 改变 move topology”的贡献。

这是对 General Principle：

representation + search

最直接的进一步检验。

Priority 4：Ranking Evaluation Reframing

与其继续堆 correlation，可以优先问：

在实际 unknown-native scenario 中，SLL 能把 high-quality alternative state 富集到 top-k 到什么程度？

例如：

hit rate@k；
enrichment factor；
probability of recovering both states after top-k selection；
calibration。

这些 metric 可能比平均 TM-score 更贴近真正的 selection question。

15. 用 WIT 冻结 Research Storyline

按照 WIT，可以把最新版 MSFold 的主线冻结为：

Central Question

A pretrained protein language model may contain information about multiple conformations; can a better inference-time search strategy access that latent capability?

Central Claim

Parallel tempering in ESM3’s discrete structure-token space improves access to alternative conformational states while preserving dominant-state accuracy.

Key Findings

MSFold achieves a 51.6% multi-conformation success rate on 312 proteins；
improvement mainly comes from Fold 2 recovery；
improvement persists beyond the ESM3 temporal cutoff；
sampling strategy is a critical determinant；
replica exchange couples exploration and refinement to enable basin transitions；
discrete token representation changes accessible structural moves；
broader generation exposes ranking as a remaining bottleneck.

General Principle

A model’s usable predictive capability depends not only on what its representation encodes, but also on how the learned space is searched and how sampled outputs are selected.

有了这条 frozen storyline 后，对任何新 experiment 都应该问：

它会改变 central claim、排除重要 competing hypothesis、明确 boundary，还是只是再增加 supporting example？

16. WIT 是如何应用于 MSFold 的？

MSFold 更适合作为 WIT 的应用案例，而不是证明 WIT 有效的独立证据。MSFold 与 WIT 在一定程度上是并行生长的：当时我们已经在使用其中一些 reasoning patterns，只是还没有把它们系统地命名、组织成今天的 WIT。

回顾这个过程，可以看到 WIT 至少在五个方面发挥作用。

16.1 从 Finding 打开 New Questions

MSFold 的 Results 很明显沿着如下问题链生长：

works → generalizes? → why? → how? → what role does representation play? → how to rank?

这对应 WIT 的核心循环：

Finding → New Question → Answerability Check → New Analysis / Experiment → New Finding

关键不是要求每个项目都把所有问题做一遍，而是避免把一个有价值的 finding 当作 reasoning 的终点。

16.2 区分 Evidence 与 Inference Depth

MSFold 多处需要区分：

Fact → restrained 1-hop interpretation → integrated 2-hop interpretation → broader abstraction

例如：

benchmark data 支持 Fold 2 recovery 的提高；
same-representation sampling comparison 支持 sampling 的重要性；
mechanism experiments 支持 replica exchange 的作用；
representation analysis 支持关于 accessible moves 的有边界 claim；
Discussion 再把这些 findings 综合成更高层的 representation + search principle。

这不仅帮助决定 写什么，也帮助决定一个 claim 应该放在哪里、应该说多强。

16.3 把 Alternative Explanations 变成实验

MSFold 中多个问题都可以写成 competing hypotheses：

memorization vs. generalization；
representation vs. sampling；
high temperature alone vs. temperature coupling with replica exchange。

WIT 不满足于把它们写进 Discussion，而进一步问：

什么 experiment 最能区分这些 plausible explanations？

temporal holdout、same-representation sampling comparison、exchange ablation 都属于 discrimination power 很高的实验。

16.4 用 Information Gain 选择下一步

当 central benchmark 已经比较充分以后，WIT 不鼓励因为“容易做”或“大家都做”就继续增加类似实验，而是问：剩余哪一个 uncertainty 最重要？

对当前 MSFold，优先级自然变成：

matched sampling-budget / ensemble-size control；
systematic failure / boundary-condition analysis；
更强的 representation-effect isolation；
task-oriented ranking evaluation。

这些实验的价值在于：它们可能改变或显著 sharpen central claim 的解释，而不仅仅再增加一个 supporting example。

16.5 把 Research 与 Writing 连起来

WIT 不把 paper structure 看成研究结束后的包装，而把它看成 research logic 的外显形式。MSFold 的 Results 可以压缩成：

Performance → Generalization → Cause → Process → Mechanism → Representation → Selection

Discussion 再将这些 local findings 综合为 broader interpretation。

这正是 Writing Is Thinking 的含义：当你认真决定 Results 和 Discussion 应该怎么写时，会反过来暴露 underlying reasoning chain 是否完整、是否跳跃、是否缺少关键 link。

17. MSFold 案例的 Take-Home Message

MSFold 展示的是 WIT 作为 human–LLM collaborative scientific research and writing 工具的一种用法。它不是让 LLM 自动把科研做完、研究者喝咖啡等 paper，而是让 LLM 去扩展、挑战、组织和审计研究者的思考，同时让研究者继续承担最关键的 scientific judgments。

在这个案例里，WIT 把四件事连成一条链：

打开 scientific question space → 把 finding 变成有判别力的 next question → 让 claim 与 evidence 对齐 → 把 reasoning chain 组织成 coherent scientific story

因此，最值得做的下一步不是简单的“更多实验”，而是最大程度减少 central scientific interpretation 不确定性的实验。

Advance the research. Grow the researcher.

Source

本案例由 WIT GitHub 仓库当前版本的 检验WIT-using-MSFold.md 重构而来；该文件基于 manuscript：

Sampling in structure-token space enables accurate prediction of multiple protein conformations

审阅文件：MSFold (3)(1).pdf。

本文对 manuscript 中仍保留的 XXX、待补 figure / supplementary references 等 draft placeholders 不作为 scientific reasoning 缺陷处理。