Boltz-2震撼发布：超越AlphaFold3，1000倍速的结合亲和力预测新范式
项目地址: https://gitcode.com/GitHub_Trending/bo/boltz 你是否还在为药物研发中蛋白质-配体结合亲和力预测的速度与精度难以兼顾而困扰？Boltz-2的横空出世，彻底改变了这一局面。作为首个能接近物理基于自由能微扰（FEP）方法精度，同时运行速度提升1000倍的深度学习模型，Boltz-2让早期药物发现中的准确计算机筛选成为现实。读完本文，你将全面了解Boltz-2的核心优势、安装使用方法、性能表现及应用场景，轻松掌握这一革命性工具。
项目概述：Boltz-2的突破与定位
Boltz是一个生物分子相互作用预测模型家族，Boltz-1是首个接近AlphaFold3精度的完全开源模型。而最新的Boltz-2则是一个全新的生物分子基础模型，它超越了AlphaFold3和Boltz-1，通过联合建模复杂结构和结合亲和力，成为分子设计领域的关键组件。
Boltz-2的源代码和权重均采用MIT许可证提供，可免费用于学术和商业用途。更多关于该模型的信息，请参阅Boltz-1技术报告和Boltz-2技术报告。
核心优势：为何选择Boltz-2
Boltz-2相比传统方法和其他模型，具有以下显著优势：
- 速度与精度的完美平衡：运行速度比传统物理方法快1000倍，同时精度接近FEP方法。
- 功能全面：不仅能预测蛋白质结构，还能准确预测结合亲和力等关键性质。
- 完全开源：源代码和权重完全开放，无商业使用限制。
- 易于使用：提供简洁的命令行接口和丰富的配置选项。
快速上手：安装与基础使用
环境准备
建议在全新的Python环境中安装Boltz。支持GPU和CPU环境，但CPU版本速度明显慢于GPU版本。
安装步骤
使用PyPI安装（推荐）：
pip install boltz[cuda] -U
或从Git仓库克隆以获取每日更新：
git clone https://gitcode.com/GitHub_Trending/bo/boltz
cd boltz; pip install -e .[cuda]
如果在仅CPU或非CUDA GPU硬件上安装，请从上述命令中删除[cuda]。
功能详解：预测与应用
基本预测命令
使用Boltz运行推理：
boltz predict input_path --use_msa_server
input_path应指向一个YAML文件，或一个YAML文件目录以进行批量处理，描述要建模的生物分子和要预测的性质（如亲和力）。要查看所有可用选项：boltz predict --help，有关这些输入格式的更多信息，请参阅预测说明。默认情况下，boltz命令将运行最新版本的模型。
结合亲和力预测
亲和力输出中有两个主要预测：affinity_pred_value和affinity_probability_binary。它们在很大程度上基于不同的数据集进行训练，具有不同的监督方式，应在不同的场景中使用。
affinity_probability_binary字段应用于从诱饵中检测结合物，例如在命中发现阶段。其值范围从0到1，表示配体是结合物的预测概率。
affinity_pred_value旨在测量不同结合物的特异性亲和力，以及这种亲和力如何随着分子的微小修饰而变化。这应在配体优化阶段使用，如命中到先导物和先导物优化。它将结合亲和力值报告为log10(IC50)，由以μM测量的IC50得出。有关如何运行亲和力预测和解析输出的更多详细信息，请参见我们的预测说明。
MSA服务器认证
当使用--use_msa_server选项与需要认证的服务器时，您可以通过两种方式之一提供凭据。更多信息可在我们的预测说明中找到。
性能评估：Boltz-2的卓越表现
Boltz-2在多个测试集上展现出优异的性能，以下是其在亲和力测试集和结构预测测试集上的评估结果。
为了鼓励可重复性并促进与其他模型的比较，除了现有的Boltz-1评估管道外，我们即将提供Boltz-2、Boltz-1、Chai-1和AlphaFold3在我们的测试基准数据集上的评估脚本和结构预测，以及我们在FEP+基准、CASP16和MF-PCBA测试集上的亲和力预测。
高级应用：训练与定制
虽然Boltz-2的训练代码即将更新，但目前您可以参考Boltz-1的训练方法。如果您有兴趣重新训练模型，请参阅我们的训练说明。
训练相关的配置文件位于scripts/train/configs/目录下，包括confidence.yaml、full.yaml和structure.yaml等，可根据需求进行定制。
社区与贡献
我们欢迎外部贡献，并渴望与社区互动。通过我们的Slack频道（禁止外部链接）与我们联系，讨论进展、分享见解并促进围绕Boltz-2的合作。
在最新的NVIDIA GPU上，Boltz利用NVIDIA cuEquivariance内核提供的加速。Boltz也可在Tenstorrent硬件上运行，这要归功于Moritz Thüning的fork（禁止外部链接）。
总结与展望
Boltz-2作为生物分子相互作用预测领域的革命性工具，以其高精度、高速度和开源特性，为药物研发和分子设计带来了前所未有的机遇。无论是学术研究还是商业应用，Boltz-2都将成为您工作流程中的得力助手。
如果您觉得本文对您有帮助，请点赞、收藏、关注三连。下期我们将深入探讨Boltz-2在虚拟筛选中的具体应用案例，敬请期待！
引用
如果您在研究中使用此代码或模型，请引用以下论文：
@article{passaro2025boltz2,
author = {Passaro, Saro and Corso, Gabriele and Wohlwend, Jeremy and Reveiz, Mateo and Thaler, Stephan and Somnath, Vignesh Ram and Getz, Noah and Portnoi, Tally and Roy, Julien and Stark, Hannes and Kwabi-Addo, David and Beaini, Dominique and Jaakkola, Tommi and Barzilay, Regina},
title = {Boltz-2: Towards Accurate and Efficient Binding Affinity Prediction},
year = {2025},
doi = {10.1101/2025.06.14.659707},
journal = {bioRxiv}
}
@article{wohlwend2024boltz1,
author = {Wohlwend, Jeremy and Corso, Gabriele and Passaro, Saro and Getz, Noah and Reveiz, Mateo and Leidal, Ken and Swiderski, Wojtek and Atkinson, Liam and Portnoi, Tally and Chinn, Itamar and Silterra, Jacob and Jaakkola, Tommi and Barzilay, Regina},
title = {Boltz-1: Democratizing Biomolecular Interaction Modeling},
year = {2024},
doi = {10.1101/2024.11.19.624167},
journal = {bioRxiv}
}
此外，如果您使用自动MSA生成，请引用：
@article{mirdita2022colabfold,
title={ColabFold: making protein folding accessible to all},
author={Mirdita, Milot and Sch{\"u}tze, Konstantin and Moriwaki, Yoshitaka and Heo, Lim and Ovchinnikov, Sergey and Steinegger, Martin},
journal={Nature methods},
year={2022},
}
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
