Apple SimpleDesign 蛋白质设计省去一个训练阶段，但实验室测试仍未开展
尽管该领域日益依赖专用流程，Apple 研究人员仍推出了一种仅需一个训练阶段的蛋白质模型。Apple SimpleDesign 蛋白质设计系统可同时生成氨基酸序列和三维结构。其核心主张是架构简化，而非已经证实的生物学功能。
这一区别至关重要。SimpleDesign 在超过 200 万个序列—结构配对数据上训练后，在计算机基准测试中取得了有竞争力的结果。不过，研究人员并未报告其生成蛋白质的实验室合成、折叠测量、结合测试或功能检测结果。
因此，这项工作在模型设计上对 ESM3 和 DPLM2 等多模态系统形成压力，而几何模型在结构一致性方面依然实力强劲。真正重要的竞争，是简洁的端到端建模与专用蛋白质架构之间的较量。SimpleDesign 让更简洁的路线变得可信，但这种可信度能否经受生物学检验，仍须由实验决定。
Apple 的 SimpleDesign 蛋白质设计模型改变了什么
SimpleDesign 移除了许多多模态蛋白质模型在生成开始前使用的、经训练的结构分词器阶段。
Apple 将这项工作列为发表于 2026 年 9 月的 Transactions on Machine Learning Research 论文。署名作者包括 Jiarui Lu、Yuyang Wang、Yizhe Zhang、Jiatao Gu、Navdeep Jaitly、Joshua M. Susskind 和 Miguel Ángel Bautista。
根据论文页面的信息，多位作者在 Apple 任职期间完成了这项工作。Lu 同时隶属于 Mila 和 Université de Montréal。Apple 研究页面将该项目描述为用于蛋白质序列与结构协同设计的联合模型。
蛋白质序列是构成蛋白质的氨基酸有序链条。蛋白质结构则描述这条链如何占据三维空间。这两种模态彼此关联：序列会影响折叠，而目标形状也会限制哪些序列可行。
许多生成系统通过分阶段方式处理这种关系。自动编码器首先将结构信息压缩为经训练的词元或其他潜在表示；随后，第二个模型学习如何在这一压缩空间内进行生成。
SimpleDesign 移除了这一前置分词过程。它将氨基酸身份直接表示为离散变量，将结构坐标直接表示为连续变量。单一训练目标教会模型恢复这两种被扰动的数据形式。
对于序列，该目标类似于掩码语言建模：部分氨基酸位置被隐藏，模型利用交叉熵损失预测其身份。交叉熵衡量预测的类别概率与正确氨基酸之间的匹配程度。
对于结构，模型接收经噪声扰动的坐标，并学习一个回归目标，引导这些坐标回到训练数据的状态。回归预测连续值，因此比离散结构符号词表更适合处理坐标。
研究人员将其称为直接数据空间建模。它避免让蛋白质结构在生成模型使用之前，先经过一个单独训练的码本。
在推理过程中，SimpleDesign 从被掩盖的氨基酸位置和带噪坐标开始，逐步揭示序列，同时对结构进行去噪。两个过程同步推进，因此每种模态都可影响另一种模态。
这一联合过程支持多种配置。给定序列、结构未知的情形类似于蛋白质折叠；给定结构、序列未知的情形类似于逆向折叠，即寻找与指定骨架相容的序列。
当两者都未知时，模型会同时生成序列和结构。这种无条件协同设计设定是论文的核心测试，因为系统必须维持新序列与其拟议形状之间的一致性。
研究人员主要使用 AFESM 的过滤版本训练 SimpleDesign。完整的 AFESM 资源结合了 AlphaFold Database 的预测结构和 ESM Metagenomic Atlas。
原始集合包含超过 8 亿个预测结构。其创建者依据序列和结构相似性对原始记录进行分组，得到约 500 万个非单例结构簇。
SimpleDesign 从这一更广泛的资源中使用了超过 200 万个序列—结构配对。研究人员还考察了利用经过人工整理的蛋白质序列数据库 Swiss-Prot 进行额外微调的效果。
这些细节说明了改变所在。Apple 团队并未推出首个生成式蛋白质模型，也不是首个结合序列与结构的系统。它提供的证据表明，联合生成未必需要一个单独学习的结构词表。
这一主张比有关 AI 设计药物的新闻标题所暗示的范围更窄，但在技术上仍具有重要意义。移除一个训练阶段，减少了可能发生信息丢失或优化不稳定的学习接口数量。
SimpleDesign 论文将这一方法定位为几何模型的补充，而非普适替代方案。当其基准结果与专用替代方案对比时，这一表述尤为重要。
为什么单阶段方法此刻重要
直接压力落在那些复杂性依赖于经训练结构词元和独立优化组件的多模态蛋白质模型上。
蛋白质生成已超越仅基于序列的语言建模。研究人员日益希望系统能够同时协调序列、结构、功能、分子环境或其中若干属性。
每增加一种模态，就会带来表示问题。氨基酸天然是离散的，但三维坐标则是连续且具有几何性质的。旋转整个分子不应改变其生物学身份，但普通词元序列并不具备这种内在对称性。
一种应对方式是专门化。模型可采用几何神经网络、旋转感知运算、结构分词器或任务专用扩散过程。这些工具编码了往往有助于模型遵循分子几何规律的假设。
另一种方式是统一化。通用架构可通过共享框架处理不同模态，前提是训练目标能够保留它们之间的差异。SimpleDesign 采取了这一路线。
这一时机反映出蛋白质 AI 的更广泛进展。结构预测系统表明，神经网络能够从序列中推断出合理的三维形态。生成系统随后开始逆转并扩展这种关系。
RFdiffusion 展示了扩散模型可为多种设计任务生成蛋白质骨架。其已发表实验涵盖结合蛋白、对称组装体和金属结合蛋白。
ESM3 通过跨序列、结构和功能进行推理，拓展了语言模型路线。研究人员合成了其部分输出，其中包括一种与已知天然实例差异较大的荧光蛋白。
这些进展提高了人们对多模态生成的期待，也催生了具有多重目标、表示和验证步骤的复杂系统。SimpleDesign 提出的问题是：其中一部分机制是否可有可无。
Apple 的模型采用 Mixture-of-Transformer 架构，简称 MoT。它并非一种在多个独立专家网络之间动态路由词元的混合专家系统。
相反，MoT 为序列和结构流提供模态专用的投影、归一化和前馈处理，然后在二者合并的词元上执行全局自注意力。
这种设计使每种模态在交换信息的同时保留专用参数。序列流可保留语言模型知识，结构流则处理连续坐标。
两种已报告的 SimpleDesign 变体均从公开可用的 ESM2-650M 权重出发，用于序列嵌入和注意力层。这种初始化赋予模型来自蛋白质序列的先验知识，而无需让所有生物学模式仅从配对训练中涌现。
团队还测试了采用共享参数的标准 Transformer。出人意料的是，该版本仍具竞争力，并且在某些指标上超过了 MoT。
这一消融实验强化了论文的核心机制。消融实验会移除或改变某一组件，以确定究竟是什么驱动了性能。这里，专用骨干网络并未始终对报告中的性能提升负责。
无分词器训练目标似乎比具体的 Transformer 变体更重要。Apple 研究人员明确指出，MoT 并未在所有指标上带来一致提升。
这一承认使 SimpleDesign 区别于 AI 研究中常见的一种模式：新系统往往被包装为整体方案，其各项改进难以单独剥离。这篇论文将训练公式确定为主要贡献。
潜在收益不只是更小的架构图。多阶段模型继承了各阶段之间的依赖关系。如果结构分词器丢弃了细微信息，后续生成器就无法恢复。
分开训练也可能造成目标不匹配。为重建而优化的分词器，不会自动产生最适合生成的表示。端到端学习允许生成损失塑造整个模型。
不过，简洁并不保证更低的运行成本。论文并未对所有竞争系统的训练时间、推理速度、内存使用或能耗建立广泛比较。
单阶段指的是优化流程，而不一定意味着一次推理操作。SimpleDesign 仍通过迭代式序列去掩码和坐标去噪进行生成。
其结构调度采用非均匀步骤，强调后期细化；序列调度则更均匀地推进。这些耦合调度在采样期间协调两种不同的不确定性。
因此，SimpleDesign 在特定意义上更简单：它消除了经训练的结构分词器和独立的潜在模型训练阶段，但并未消除迭代生成、预训练初始化、数据过滤或审慎的采样选择。
对于考虑采用这项研究的团队而言，这种准确解读至关重要。该工作提供的是一种替代建模方案，而非蛋白质生成已变得容易或低成本的证据。
更简洁的 Transformer 面对专用几何模型
SimpleDesign 的主要竞争并不是 Apple 与某一家公司的竞争，而是通用 Transformer 建模与专为分子几何构建的架构之间的竞争。
这种区别在基准结果中显而易见。Apple 将 SimpleDesign 与多模态蛋白质语言模型和几何设计系统进行了比较。
语言模型组包括 ESM3、DPLM 和 DPLM2。这些系统将词元生成理念扩展到生物学领域，有时使用离散结构表示。
几何模型组包括 MultiFlow、La-proteina、RFdiffusion、FrameFlow 及相关方法。这些模型采用更强的结构假设或专用生成动力学。
SimpleDesign 在长度为 100 至 500 个残基的蛋白质上接受了无条件生成评估。报告中的实验针对这些长度范围，共使用了 100 个生成样本。
该研究通过将生成的序列重新折叠，并把预测结果与同时生成的结构进行比较，评估共同设计性。在基于结构相似性的阈值下，符合要求的一对序列和结构会被视为一致。
其中一项标准采用自一致性均方根偏差，即 scRMSD。它用于衡量模型提出的结构与重新折叠序列在对齐后，平均坐标差异的大小。
论文对该指标采用了 2 埃的阈值。埃等于一百亿分之一米，常用于表示分子尺度的距离。
第二项标准采用自一致性 TM-score，即 scTM。TM-score 在降低对蛋白质长度敏感性的同时，评估整体结构相似度。
该研究为这一比较采用了 0.9 的阈值。接近 1 的得分表示整体折叠结构高度相似。
这些测试提出了一个有价值的计算问题：如果模型同时提出一个序列和一个结构，独立的折叠系统是否会预测该序列回到相似的形状？
SimpleDesign 在与基于 token 的多模态语言模型比较时表现具有竞争力。某些配置在一致性、新颖性和连续结构多样性之间实现了较强的组合。
报告中最强的 Transformer 配置在 scRMSD 标准下达到 0.62 的共同设计性比率，在 scTM 标准下达到 0.84。这些数值来自经过筛选的微调，并取决于所选的采样设置。
Mixture-of-Transformer 版本在一项报告配置中，在同样两项标准下分别达到 0.53 和 0.74。其他噪声设置则以一致性换取多样性。
这些变化很重要。生成模型很少存在一个脱离语境的单一性能数字。采样设置既可以产生保守、内部一致的设计，也可以产出更多样但一致性较低的结果。
MultiFlow 在若干共同设计性指标上仍然更强。SimpleDesign 作者承认这一结果，而非宣称自己在整体上领先。
专门的几何模型具有更适合空间关系的假设。它们可以明确构建残基、坐标、旋转和去噪轨迹之间的交互方式。
SimpleDesign 则押注于另一种路径。它采用更通用的 C-alpha 坐标 Transformer 形式。C-alpha 坐标表示每个氨基酸残基的中心碳原子，并提供简化的蛋白质主链轨迹。
这种表示省略了侧链原子及其他原子细节。完整的蛋白质模型需要更多信息，才能描述化学相互作用、堆积和分子功能。
SimpleDesign 的优势在于架构简洁且适应性强。其训练方案可采用熟悉的 Transformer 模块和预训练序列模型。
其劣势在于，它必须在较少硬编码结构假设的条件下学习重要的几何行为。与 MultiFlow 的基准差距表明，专门的归纳偏置依然重要。
RFdiffusion 提供了更具分量的历史参照。它并非仅通过计算模型对生成结构评分。研究人员还在多项任务中对数百个设计进行了实验表征。
RFdiffusion experiments 包括一项针对流感结合蛋白的冷冻电子显微镜结构。该测得结构与计算设计高度吻合。
这并不意味着 RFdiffusion 在每一项共同设计基准中都直接优于其他系统。这些系统针对的问题彼此重叠，但并不完全相同。但它确实为实用蛋白质设计建立了更高的证据标准。
ESM3 提供了另一项比较。它联合推理蛋白质序列、结构和功能，而不是局限于无条件序列—结构生成。
研究人员合成了部分 ESM3 输出，并识别出一种具有功能的荧光蛋白。因此，经同行评审的 ESM3 study 将多模态生成与可观测的生物学性质联系起来。
SimpleDesign 尚未跨越这一证据门槛。其当前贡献涉及模型如何学习和生成，而非所得分子是否能够执行有用任务。
因此，竞争格局呈现分化。SimpleDesign 对基于 token 的多模态模型在架构必要性方面施加压力；几何系统则在结构保真度和实验成熟度方面对 SimpleDesign 施加压力。
这比宣称存在一个普遍赢家更健康。蛋白质设计包含多项任务，包括无条件生成、骨架构建、逆折叠、结合蛋白设计和功能条件生成。
一个模型可以在某项任务中表现出色，却仍不适用于另一项。基准领先地位还取决于训练数据、验证模型、采样设置和成功的定义。
该机制无需结构词表即可运作
论文最强的结果是：直接进行序列—坐标学习，在两种 Transformer 主干架构中仍具竞争力。
结构 tokenizer 会将连续的分子几何信息转换为离散符号。这使得结构信息更容易与语言模型机制结合，而语言模型本就擅长预测 token。
这种压缩会形成瓶颈。每个结构 token 都代表 tokenizer 选定的一个区域或模式。未被学习词表保留的细节，将无法被生成器使用。
SimpleDesign 跳过了这一步。它直接嵌入连续坐标，并训练模型估计带噪坐标应如何移动，才能趋近于合理的蛋白质结构。
与此同时，被掩码的氨基酸位置成为离散分类问题。因此，该模型在同一目标中同时解决连续去噪和类别恢复。
联合注意力机制提供了二者之间的连接。一个序列 token 可以关注对应残基或远处残基的结构 token。结构表示同样可以利用可见或预测的氨基酸信息。
残基索引使两种模态保持对齐。即使两类输入的部分内容都仍然受损，模型也知道哪个氨基酸位置对应哪个主链坐标。
这一设置形成了一个二维的训练状态连续体。一个轴表示序列损坏程度，另一个轴表示结构噪声。
有时，序列比结构包含更多可用信息；有时，结构提供更强的信号。中间状态要求真正的联合推理，因为两种模态都不完整。
这种形式支持条件任务，无需重建整个架构。在让序列保持可见的同时破坏结构，会产生类似折叠的问题。
让坐标保持可见、同时掩码序列，则会产生逆折叠问题。两者同时损坏则形成联合生成。
这种灵活性类似于语言和视觉领域多模态基础模型的吸引力。一个训练框架可以支持多个预测方向。
但 SimpleDesign 仍比完整的蛋白质基础模型更为狭窄。它生成的是序列和主链坐标，而不是经过验证的生化功能。
它并不能直接确立结合亲和力、催化活性、溶解度、毒性、表达产量或稳定性。这些性质取决于合理主链之外的物理和生物相互作用。
该模型也仅通过其结构头生成 C-alpha 坐标。重建完整的原子细节需要额外处理或建模。
这种简化有助于解释为何通用 Transformer 仍能保持竞争力。相比全原子分子生成，主链轨迹的几何目标要求更低。
数据筛选同样有显著贡献。Apple 的消融实验显示，Swiss-Prot 微调可提升 MoT 和普通 Transformer 变体的序列—结构一致性。
同样的微调会降低 Foldseek 聚类多样性。Foldseek 利用局部和整体相似性对结构分组，提供了不同于成对 TM-score 的多样性视角。
这形成了一个颇具启发性的权衡。更干净、经过筛选的样本能够使生成的序列—结构对更常达成一致，但也可能将输出拉向更狭窄的结构模式家族。
SimpleDesign 在 TM-score 比较中呈现出较高多样性，但在一些设置中 Foldseek 聚类多样性较低。作者将这部分差异归因于训练数据和裁剪选择。
DPLM2 使用了 PDB 和 Swiss-Prot 数据，并采用按片段裁剪，而 SimpleDesign 的主要训练流程有所不同。因此，架构本身无法解释每一项比较。
这在生成生物学中很常见。数据集构成决定了模型能够看到哪些折叠、序列家族、长度和置信度水平。
预测结构也带有生成它们的系统所隐含的假设。基于数百万份计算预测进行训练扩大了覆盖范围，但并不会将这些记录变成实验观测。
SimpleDesign 的结果仍然有用，因为论文报告了这些依赖因素。它并未声称 Mixture-of-Transformer 在任何情况下都普遍优于标准 Transformer。
它也没有声称掩码生成天然胜过扩散或流方法。研究人员将专门的几何模型描述为互补方案。
这种克制澄清了真正的进展：一个直接训练的 Transformer 无需先构造结构字母表，也能学习氨基酸与坐标之间有意义的联合分布。
如果后续工作能在更大规模上复现这一结果，该方法或可简化跨蛋白质模态的实验。研究人员可以调整预训练序列模型，而无需维护完全独立的 tokenization 流程。
不过，复现还将取决于实际可获得性。论文提供了方法细节，但完整训练代码、模型权重、数据集和生成产物是否公开，决定了团队能够在多大程度上独立测试它。
一篇论文可以让一种建模思路变得清晰可理解。一份可用的研究发布则能让这一思路在不同实验室、数据集和下游目标中接受证伪。
计算基准并非生物学验证
SimpleDesign 通过的是体内计算一致性测试，而不是针对折叠或功能的实验室测试。
这是围绕 Apple SimpleDesign 蛋白质设计的核心不确定性。所有报告的成功都依赖于计算评估。
重新折叠提供了有价值的筛选。如果生成序列被预测会采用与其配对结构不同的形状，该设计在内部一致性上便值得怀疑。
然而，生成模型与预测模型之间的一致，并不保证物理层面的成功。两个系统可能共享训练数据偏置，或偏好相似的结构模式。
较高的 scTM 分数说明预测折叠类似于目标主链。它并不表示该蛋白质能在活细胞中高效表达。
它也无法确立该序列能否在有用浓度下保持可溶。它不会揭示聚集、降解、毒性、非预期相互作用或功能丧失。
即便是“可设计性”一词也需要谨慎理解。在本文中，它描述的是基于重新折叠的计算阈值。它并不意味着研究人员合成并以实验方式确认了每个设计。
独立研究已经审视了这一确切缺口。一项验证研究发现，AlphaFold2、ESMFold 和 ProteinMPNN 可以帮助筛选设计方案，但它们预测实验成功的能力仍然有限。
这一局限并不意味着计算筛选没有价值。实验室测试成本高、周期长，因此有效的筛选器能够减少需要合成的候选数量。
危险在于，基准测试术语被迁移到产品宣称中。“可设计”听起来可能像“有效”，但底层证据或许只表明模型之间存在一致性。
SimpleDesign 的无条件任务还带来另一项限制：它生成蛋白质时并未指定目标或生物学功能。
一种看似合理的新折叠在科学上很有意义。但药物发现通常需要更具体的能力，例如结合某一目标，同时避开相关蛋白质。
酶工程需要催化几何结构和反应环境。治疗性产品开发还需要考虑稳定性、递送、免疫原性、可制造性和安全性。
SimpleDesign 并未报告这些结果。它不应被描述为 Apple 的药物发现产品，或通往药物的直接路径。
与 RFdiffusion 的比较说明了缺失的环节。RFdiffusion 的 Nature 研究包含表达、纯化、结合测定、结构测量和功能测试。
这些实验并未让每一种计算设计都获得成功。它们测量了失败率，并确定了哪些设计类别能够通过现实世界的筛选。
针对一项结合蛋白项目，该研究在其明确的筛选定义下报告了 19% 的实验成功率。这一数字既证明了进展，也体现了难度。
强大的设计系统仍可能产生许多实验室失败。生物学存在结构置信度评分无法完全捕捉的约束。
ESM3 的荧光蛋白同样需要合成和测试。研究人员可以直接观察荧光，从而将模型提案转化为功能证据。
SimpleDesign 目前止步于这一步之前。最有说服力的后续工作，是在不同长度和结构家族中合成多样化样本。
研究人员应测量表达、单分散性、热稳定性，以及与设计骨架的一致性。冷冻电子显微镜、X 射线晶体学或核磁共振可用于检验结构准确性。
以功能为条件的研究将进一步提高门槛。可以要求模型保留结合基序、支持催化位点，或与选定目标发生相互作用。
负面结果也会提供信息。它们可能揭示 SimpleDesign 的误差源于骨架几何、序列堆积、侧链重建，还是基准测试中的过度自信。
数据泄漏和新颖性也值得审视。SimpleDesign 将生成结构与已知数据库比较，但新颖性评分取决于参考覆盖范围和相似度阈值。
一种结构可能在整体上看起来新颖，却重复使用了熟悉的局部基序。反过来，一个具有生物学价值的设计并不一定要最大化新颖性。
论文中某些配置下较低的 Foldseek 多样性体现了这种模糊性。连续的结构差异和局部折叠词汇并不总是讲述同一个故事。
经过筛选的微调也带来另一种张力。它提高了计算一致性，却会产生更保守的输出。这可能有助于实验成功，也可能限制对陌生结构的探索。
只有系统性的湿实验测试才能揭示这种权衡的哪一面更重要。在此之前，SimpleDesign 支持的是一种建模假设，而非生物学结论。
三个信号将表明 SimpleDesign 是否重要
下一批证据应首先检验可复现性，其次检验实验室表现，最后检验有用的条件控制能力。
第一个信号是完整的公开发布。研究人员需要模型权重、推理代码、评估脚本，以及足够的数据集文档，才能复现论文的核心比较。
如果独立团队能够得到相似结果，这种发布将加强其架构主张。若差异很大，则会削弱人们对直接数据空间训练所报告优势的信心。
复现工作应涵盖两种 Transformer 变体。它应检验标准 Transformer 是否确实能与模态特定的 MoT 骨干网络保持竞争力。
团队还应使用匹配的数据、蛋白质长度、采样预算和验证系统重新进行比较。缺少这些控制时，数据集决策可能会伪装成架构收益。
第二个信号是实验验证。一项可信的研究应在获知实验室结果前选定生成的蛋白质，并报告完整成功率。
挑选成功案例并不能证明整体表现。研究人员应披露合成、表达、纯化和结构表征的序列数量。
测试应覆盖不止一种蛋白质长度或拓扑结构。否则，成功可能只是反映了训练分布已偏好的狭窄区域。
如果相当比例的蛋白质能够折叠至接近生成的骨架，SimpleDesign 的直接表示方法将获得有力支持。若对应性较差，则说明当前的计算指标高估了物理可靠性。
第三个信号是与可测量功能相联系的条件生成。无条件生成测试模型是否学习了广泛的序列—结构分布，但应用需要约束条件。
一种有用的扩展可能是保留活性位点基序、围绕分子目标构建支架，或为给定骨架提出序列。
成功不能只靠结构一致性。应通过实验测量结合、催化、荧光或其他预先定义的功能。
这一进程之所以重要，是因为 SimpleDesign 的架构非常适合多种条件生成方向。该模型已经在不同的序列和结构损坏程度上进行了训练。
未来版本可以将功能、配体或相互作用信息作为另一种模态加入。这将检验随着生物学要求提高，这一极简配方是否仍然有效。
在这一阶段失败同样能给研究人员带来启示。直接坐标建模或许适用于无条件骨架，却难以处理原子相互作用或精确的功能约束。
竞争对手的反应将提供间接证据。如果基于 token 的模型开发者采用直接坐标目标，SimpleDesign 即使未成为最佳基准系统，也将影响这一领域。
如果几何系统在保留更强一致性的同时简化其流程，它们就可能以更强的分子假设获得同样的工程收益。
Apple 的角色仍是另一个悬而未决的问题。该公司在健康、视觉、语言和科学领域发布机器学习研究，但发表论文并不意味着会推出消费级产品。
论文并未宣布与 Apple 设备、健康服务或药物开发计划有任何关联。对这些用途的推测将超出目前已有证据。
基于事实的结论更有意思。Apple 的研究人员表明，蛋白质序列与结构协同设计可以采用比许多竞争系统更少的学习阶段来实现。
这一发现挑战了一项架构惯例。它不能取代实验蛋白质科学，也不能终结与专业几何方法之间的竞争。
随着新证据出现，评估 Apple SimpleDesign 蛋白质设计的读者应提出三个问题：独立团队能否复现它？生成的蛋白质能否在实验室中发挥作用？模型能否满足有用的生物学约束？
这些答案将决定 SimpleDesign 会成为持久的蛋白质工程方法，还是仅停留在优雅的基准测试结果。就目前而言，该模型值得关注，因为它让简洁性具备了竞争力，同时也清楚揭示了仍然缺失的证据。
