来自麻省理工和AI制药公司 Recursion 的结构与结合亲和力预测模型Boltz-2，解决小分子药物发现的关键问题

1. Boltz-2介绍

文章来源：http://jeremywohlwend.com/assets/boltz2.pdf

开源代码来源：https://github.com/jwohlwend/boltz

该AI模型由麻省理工学院计算机科学与人工智能实验室与上市AI制药公司Recursion一起开发，双方在Boltz-1的基础之上，通过改进和拓展性能而来。

简单来说，Boltz 与 AlphaFold3 一样，均是一种全原子共折叠模型，它将蛋白质折叠或结构预测的概念扩展到DNA、RNA、配体中。该模型不仅可以预测分子相互作用的 3D 结构，还可用于分子设计等下游任务。Boltz-2将亲和力预测与结构建模相结合，提高了预测结构的物理真实感。

Boltz-2 在一个大型数据集上进行了训练，该数据集结合了500万个结合亲和力测量值、分子动力学模拟和蒸馏数据，这些方法显著提高了预测结构的物理真实感。

在标准 FEP+ 亲和力基准测试中，Boltz-2 实现了 0.62 的平均 Pearson相关系数，能够与可开源 FEP 流程 OpenFE 相媲美。但在速度方面，Boltz-2 只需 20 秒即可计算出结合亲和值，比当前FEP预测快1000倍！

在表示学习方面，亲和力预测建立在驱动共折叠过程的潜在表示之上。这种表示本质上编码了关于生物分子相互作用的丰富信息。因此，Boltz-2在结合亲和力预测方面的改进是由结构建模的进步所推动的。这些进步源于：（1）扩展训练数据，超越静态结构，包括实验和分子动力学集合；（2）显著扩大多样模态下的蒸馏数据集；（3）通过基于实验方法、用户定义的距离约束和多链模板集成来增强用户控制。
整体解析：
这段文字主要讨论了Boltz-2在结合亲和力预测方面的改进与其背后的驱动因素。首先提到的是表示学习的重要性，其中潜在表示（latent representation）是亲和力预测的核心，它能够捕捉生物分子相互作用的关键信息。接着指出，Boltz-2的性能提升得益于结构建模的进步，而这些进步来源于三个方面：一是扩展了训练数据的范围，使其不仅限于静态结构，还包括实验数据和分子动力学模拟数据；二是通过增加蒸馏数据集的规模和多样性来提高模型的泛化能力；三是通过引入用户自定义参数（如实验方法和距离约束）以及多链模板集成，增强了模型的灵活性和可控性。这表明，Boltz-2不仅在算法层面有所改进，还在数据和用户交互方面进行了优化。

Boltz-2药物发现的重要场景

Boltz-2对亲和力的准确预测，使得它可用于药物发现的重要场景：

苗头化合物发现（Hit discovery）：该模型在高通量筛选中区分结合剂（binders）与诱饵（decoys），并在MF-PCBA基准测试中实现了显著的富集增益 [Buterez等, 2023]，其表现优于对接（docking）和机器学习（ML）方法。具体来说，该模型的任务是从高通量筛选（high-throughput screens）中识别出真正的结合剂（binders），同时排除非活性分子（decoys）。通过使用MF-PCBA基准测试对该模型进行评估，结果表明它在富集增益（enrichment gains）方面表现优异。富集增益是指模型能够以更高的比例挑选出真正有活性的分子，相较于随机选择或传统方法更具优势。此外，该模型的表现超越了传统的对接（docking）方法以及基于机器学习（ML）的方法，体现了其在药物筛选中的潜力。

苗头化合物到先导化合物以及先导化合物优化（Hit-to-lead and lead optimization）：是药物发现和开发过程中的两个关键阶段。首先，“Hit-to-lead” 指的是在初期筛选中找到具有活性的化合物（称为“hit”），然后通过进一步的化学修饰和生物学测试，将这些“hit”转化为更具潜力和选择性的候选分子，即“lead”。接下来，“lead optimization” 是对这些先导化合物进行优化的过程，通过对化合物的结构进行调整，提高其药效、选择性、代谢稳定性等特性，以使其更接近成为临床试验中的候选药物。这两个阶段是药物研发的重要步骤，为后续的临床研究奠定基础。

从头生成（de-novo Generation）：De-novo Generation（从头生成）与生成模型相结合 [Cretu et al., 2024]，Boltz-2 能够发现新的结合剂。在针对 TYK2 靶点的前瞻性筛选中，该流程能够生成多样化、可合成的高亲和力结合剂，这一点通过绝对结合自由能 (ABFE) 模拟 [Wu et al., 2025] 估算得出。这种方法特别适用于发现针对特定靶点（如 TYK2）的新结合剂（binders）。文中提到，该流程不仅能够生成多样化的分子，还确保这些分子具有高亲和力（high-affinity），并且可以通过化学手段合成（synthetizable）。为了验证这些分子的实际效果，研究团队使用了绝对结合自由能（ABFE）模拟来评估分子与靶点之间的结合强度。这种结合强度是药物设计中的关键指标，直接反映了分子作为潜在药物的潜力。

Boltz-2的改进及对比优势

与Boltz-1相比，Boltz-2在跨模态的晶体结构预测方面有所改进，特别是在抗体-抗原复合物等具有挑战性的目标上表现尤为突出。当与分子动力学模拟进行基准比较时，Boltz-2在预测关键动态特性（如均方根波动RMSF）方面的性能可以与近期的专用模型（例如AlphaFlow [Jing et al., 2024] 和 BioEmu [Lewis et al., 2025]）相媲美。

igure 3: Evaluation of the performance of Boltz-2 against existing co-folding models on a diverse

set of unseen complexes. Error bars indicate 95% confidence intervals.

2. 安装及应用

安装：

创建一个conda环境，boltz-2

conda create -n boltz-2 python=3.12

激活环境，后续在环境中操作。

conda activate boltz-2

方法1：创建一个新的python环境（比如使用conda），使用pip安装：

pip install boltz -U

方法2：下载并安装最新版本：

git clone https://github.com/jwohlwend/boltz.git
cd boltz; pip install -e .

使用推理：

boltz predict input_path --use_msa_server

input_path 应指向一个 YAML 文件，或用于批量处理的 YAML 文件目录，描述您想要建模的生物分子及其预测的属性（例如亲和力）。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，请参阅我们的预测说明。默认情况下，boltz 命令将运行模型的最新版本。

YAML 格式更加灵活，允许更复杂的输入，尤其是共价键相关的输入。YAML 的架构如下：

sequences:- ENTITY_TYPE:id: CHAIN_ID sequence: SEQUENCE    # only for protein, dna, rnasmiles: 'SMILES'        # only for ligand, exclusive with ccdccd: CCD              # only for ligand, exclusive with smilesmsa: MSA_PATH         # only for proteinmodifications:- position: RES_IDX   # index of residue, starting from 1ccd: CCD            # CCD code of the modified residuecyclic: false- ENTITY_TYPE:id: [CHAIN_ID, CHAIN_ID]    # multiple ids in case of multiple identical entities...
constraints:- bond:atom1: [CHAIN_ID, RES_IDX, ATOM_NAME]atom2: [CHAIN_ID, RES_IDX, ATOM_NAME]- pocket:binder: CHAIN_IDcontacts: [[CHAIN_ID, RES_IDX/ATOM_NAME], [CHAIN_ID, RES_IDX/ATOM_NAME]]max_distance: DIST_ANGSTROM- contact:token1: [CHAIN_ID, RES_IDX/ATOM_NAME]token2: [CHAIN_ID, RES_IDX/ATOM_NAME]max_distance: DIST_ANGSTROMtemplates:- cif: CIF_PATH  # if only a path is provided, Boltz will find the best matchings- cif: CIF_PATHchain_id: CHAIN_ID   # optional, specifiy which chain to find a template for- cif: CIF_PATHchain_id: [CHAIN_ID, CHAIN_ID]  # can be more than onetemplate_id: [TEMPLATE_CHAIN_ID, TEMPLATE_CHAIN_ID]
properties:- affinity:binder: CHAIN_ID

sequences输入中每个唯一的链/分子都有一个条目。每个聚合物实体都表示为ENTITY_TYPE 、protein或dna，rna并具有一个sequence属性。非聚合物实体用ENTITY_TYPE等于表示ligand，并具有smiles或ccd属性。CHAIN_ID是每个链/分子的唯一标识符，如果结构中存在多个相同的实体，则应将其设置为列表。对于蛋白质，msa默认情况下需要键，但可以通过传递--use_msa_server标志来省略，该标志将使用 mmseqs2 服务器自动生成 MSA。如果您希望使用预先计算的 MSA，请使用msa属性，该属性MSA_PATH指示包含该蛋白质 MSA 的文件的路径。如果您希望明确运行单序列模式（通常不建议这样做，因为它会损害模型性能），您可以使用该蛋白质的特殊关键字（例如：）.a3m来实现。对于自定义 MSA，您可能希望向模型指示配对键。您可以使用 CSV 格式（而不是 a3m）来实现此目的，其中包含两列：包含蛋白质序列和，其中是一个唯一标识符，指示每个蛋白质链在 CSV 文件中的匹配行。emptymsa: emptysequencekey

字段modifications为可选字段，用于指定聚合物中的修饰残基（protein，dna或rna）。position字段指定残基的索引（从 1 开始），ccd为修饰残基的 CCD 代码。此字段目前仅支持 CCD 配体。标志cyclic应用于指定环状聚合物链（而非配体）。

constraints是一个可选字段，允许您指定有关输入结构的附加信息。

该bond约束指定两个原子之间的共价键（atom1和atom2）。目前仅支持CCD配体和规范残基，CHAIN_ID指的是上面设置的残基的id，RES_IDX是残基的索引（从1开始）（配体为1），ATOM_NAME是标准化的原子名称（可以在RCSB网站上该组件的CIF文件中验证）。
约束pocket指定与配体结合的残基，其中binder表示与口袋（可以是分子、蛋白质、DNA 或 RNA）结合的链，表示contacts与口袋结合的链和残基索引列表（从 1 开始）。该模型目前仅支持指定单条链（以及其他链中binder任意数量的残基）。contacts

templates是一个可选字段，允许您为预测指定结构模板。您至少必须提供结构模板的路径，该路径必须以 CIF 文件的形式提供。如果您希望明确定义 YAML 中的哪些链应该使用此 CIF 文件进行模板化，您可以使用该chain_id条目来指定它们。无论是否提供一组 ID，Boltz 都会从提供的模板中找到最佳匹配的链。如果您希望自己明确定义映射，可以提供相应的 template_id。请注意，只有蛋白质链可以进行模板化。

properties是一个可选字段，用于指定是否要计算亲和力。如果启用，您还必须提供与要计算亲和力的小分子对应的 chain_id。只能指定一个分子进行亲和力计算，并且该分子必须是配体链（不能是蛋白质、DNA 或 RNA）。

version: 1
sequences:- protein:id: [A, B]sequence: MVTPEGNVSLVDESLLVGVTDEDRAVRSAHQFYERLIGLWAPAVMEAAHELGVFAALAEAPADSGELARRLDCDARAMRVLLDALYAYDVIDRIHDTNGFRYLLSAEARECLLPGTLFSLVGKFMHDINVAWPAWRNLAEVVRHGARDTSGAESPNGIAQEDYESLVGGINFWAPPIVTTLSRKLRASGRSGDATASVLDVGCGTGLYSQLLLREFPRWTATGLDVERIATLANAQALRLGVEERFATRAGDFWRGGWGTGYDLVLFANIFHLQTPASAVRLMRHAAACLAPDGLVAVVDQIVDADREPKTPQDRFALLFAASMTNTGGGDAYTFQEYEEWFTAAGLQRIETLDTPMHRILLARRATEPSAVPEGQASENLYFQmsa: ./examples/msa/seq1.a3m- ligand:id: [C, D]ccd: SAH- ligand:id: [E, F]smiles: 'N[C@@H](Cc1ccc(O)cc1)C(=O)O'

例如，要使用 10 个回收步骤和 25 个样本（AlphaFold3 的默认参数）预测结构，请使用：

boltz predict input_path --recycling_steps 10 --diffusion_samples 25

选项	类型	默认	描述
--out_dir	PATH	./	保存预测的路径。
--cache	PATH	~/.boltz	下载数据和模型的目录。BOLTZ_CACHE如果设置，将使用环境变量作为绝对路径
--checkpoint	PATH	没有任何	可选检查点。默认使用提供的 Boltz-2 模型。
--devices	INTEGER	1	用于预测的设备数量。
--accelerator	[gpu,cpu,tpu]	gpu	用于预测的加速器。
--recycling_steps	INTEGER	3	用于预测的回收步骤数。
--sampling_steps	INTEGER	200	用于预测的采样步骤数。
--diffusion_samples	INTEGER	1	用于预测的扩散样本的数量。
--max_parallel_samples	INTEGER	5	并行预测的最大样本数。
--step_scale	FLOAT	1.638	步长与扩散过程采样分布的温度有关。步长越低，样本间的多样性越高（建议在 1 到 2 之间）。
--output_format	[pdb,mmcif]	mmcif	用于预测的输出格式。
--num_workers	INTEGER	2	用于预测的数据加载器工作者的数量。
--method	字符串	没有任何	用于预测的方法。
--preprocessing-threads	INTEGER	multiprocessing.cpu_count()	用于预处理的线程数。
--affinity_mw_correction	FLAG	FALSE	是否将分子量校正添加到亲和力值头。
--sampling_steps_affinity	INTEGER	200	用于亲和力预测的采样步骤数。
--diffusion_samples_affinity	INTEGER	5	用于亲和力预测的扩散样本数量。
--affinity_checkpoint	PATH	没有任何	可选的亲和性检查点。默认使用提供的 Boltz-2 模型。
--max_msa_seqs	INTEGER	8192	用于预测的 MSA 序列的最大数量。
--subsample_msa	FLAG	FALSE	是否对 MSA 进行子采样。
--num_subsampled_msa	INTEGER	1024	要进行子采样的 MSA 序列的数量。
--no_trifast	FLAG	FALSE	是否不使用 trifast 内核进行三角更新。
--override	FLAG	FALSE	如果发现，是否覆盖现有预测。
--use_msa_server	FLAG	FALSE	是否使用 msa 服务器生成 msa。
--msa_server_url	字符串	https://api.colabfold.com	MSA 服务器 URL。仅当设置了 --use_msa_server 时使用。
--msa_pairing_strategy	字符串	greedy	使用的配对策略。仅当设置了 --use_msa_server 时才使用。选项包括“greedy”和“complete”。
--use_potentials	FLAG	FALSE	是否使用推理时间潜力运行原始 Boltz-2 模型。
--write_full_pae	FLAG	FALSE	是否将完整的 PAE 矩阵保存为文件。
--write_full_pde	FLAG	FALSE	是否将完整的 PDE 矩阵保存为文件。

亲和力输出中有两个主要预测：affinity_pred_value 和 affinity_probability_binary。它们在截然不同的数据集上进行训练，并采用不同的监督方法，因此应在不同的情况下使用。affinity_probability_binary 字段应用于从诱饵中检测结合剂，例如在发现目标化合物阶段。其值范围为 0 到 1，表示预测配体为结合剂的概率。affinity_pred_value 旨在测量不同结合剂的特定亲和力，以及这种亲和力如何随着分子的细微修改而变化。这应该用于配体优化阶段，例如从目标化合物到先导化合物和先导化合物优化。它将结合亲和力值报告为 log(IC50)，该值源自以 μM 为单位测量的 IC50。有关如何运行亲和力预测和解析输出的更多详细信息，请参阅我们的预测说明。

输出：

out_dir/
├── lightning_logs/                                            # Logs generated during training or evaluation
├── predictions/                                               # Contains the model's predictions├── [input_file1]/├── [input_file1]_model_0.cif                          # The predicted structure in CIF format, with the inclusion of per token pLDDT scores├── confidence_[input_file1]_model_0.json              # The confidence scores (confidence_score, ptm, iptm, ligand_iptm, protein_iptm, complex_plddt, complex_iplddt, chains_ptm, pair_chains_iptm)├── affinity_[input_file1].json                        # The affinity scores (affinity_pred_value, affinity_probability_binary, affinity_pred_value1, affinity_probability_binary1, affinity_pred_value2, affinity_probability_binary2)├── pae_[input_file1]_model_0.npz                      # The predicted PAE score for every pair of tokens├── pde_[input_file1]_model_0.npz                      # The predicted PDE score for every pair of tokens├── plddt_[input_file1]_model_0.npz                    # The predicted pLDDT score for every token...└── [input_file1]_model_[diffusion_samples-1].cif      # The predicted structure in CIF format...└── [input_file2]/...
└── processed/                                                 # Processed data used during execution

该predictions文件夹为每个输入文件包含一个唯一的文件夹。输入文件夹包含diffusion_samples按置信度分数排序的 output_format 格式的预测结果，以及包含置信度模型和亲和度模型预测结果的附加文件。该processed文件夹包含模型在推理过程中使用的已处理输入文件。

输出置信度.json文件包含特定样本的各种聚合置信度得分。文件结构如下：

{"confidence_score": 0.8367,       # Aggregated score used to sort the predictions, corresponds to 0.8 * complex_plddt + 0.2 * iptm (ptm for single chains)"ptm": 0.8425,                    # Predicted TM score for the complex"iptm": 0.8225,                   # Predicted TM score when aggregating at the interfaces"ligand_iptm": 0.0,               # ipTM but only aggregating at protein-ligand interfaces"protein_iptm": 0.8225,           # ipTM but only aggregating at protein-protein interfaces"complex_plddt": 0.8402,          # Average pLDDT score for the complex"complex_iplddt": 0.8241,         # Average pLDDT score when upweighting interface tokens"complex_pde": 0.8912,            # Average PDE score for the complex"complex_ipde": 5.1650,           # Average PDE score when aggregating at interfaces  "chains_ptm": {                   # Predicted TM score within each chain"0": 0.8533,"1": 0.8330},"pair_chains_iptm": {             # Predicted (interface) TM score between each pair of chains"0": {"0": 0.8533,"1": 0.8090},"1": {"0": 0.8225,"1": 0.8330}}
}

confidence_score，ptm分数plddt（及其界面和单个链类似物）的范围是[0, 1]，其中值越高表示置信度越高。pde分数的单位是埃，其中值越低表示置信度越高。

输出亲和性.json文件的组织如下：

{"affinity_pred_value": 0.8367,             # Predicted binding affinity from the enseble model"affinity_probability_binary": 0.8425,     # Predicted binding likelihood from the ensemble model"affinity_pred_value1": 0.8225,            # Predicted binding affinity from the first model of the ensemble"affinity_probability_binary1": 0.0,       # Predicted binding likelihood from the first model in the ensemble"affinity_pred_value2": 0.8225,            # Predicted binding affinity from the second model of the ensemble"affinity_probability_binary2": 0.8402,    # Predicted binding likelihood from the second model in the ensemble
}

亲和力输出中有两个主要预测：affinity_pred_value和affinity_probability_binary。它们在截然不同的数据集上进行训练，并采用不同的监督方法，因此应该在不同的情境中使用。添加评论更多操作

该affinity_probability_binary字段应用于检测结合物和诱饵，例如在发现目标物阶段。其值范围为 0 到 1，表示预测配体为结合物的概率。

旨在affinity_pred_value测量不同结合剂的特异性亲和力，以及其如何随着分子的微小修改而变化。这应该用于配体优化阶段，例如命中到先导化合物和先导化合物优化。它报告的结合亲和力值为log(IC50)，源自于IC50测量的μM。值越低，预测的结合力越强，例如：

IC50 10−9M⟶我们的模型输出 −3（强亲和力分子）
IC50 10−6M⟶我们的模型输出 0（中等亲和力分子）
IC50 10−4M⟶我们的模型输出 2（弱亲和力）

kcal/mol您可以使用y --> (6 - y) * 1.364模型y的预测将模型的输出转换为 pIC50 。

3. 使用示例

下载boltz程序包：

git clone https://github.com/jwohlwend/boltz.git

使用examples中的affinity计算实例：

cd boltz

boltz predict ./examples/affinity.yaml --use_msa_server

初次运行，会下载解压CCD data，在/home/user/.boltz/mols目录下，大小1.8G，包含45227个mol文件。

然后会下载 Boltz-2 weights，在 /home/user/.boltz目录下，名称为boltz2_conf.ckpt，大小2.3G。

affinity预测，首次会下载affinity weights在/home/user/.boltz目录下，名称boltz2_aff.ckpt，大小2.1G。

错误提示1：RuntimeError: PytorchStreamReader failed

原因1：主要是weights文件不完整，可以提前下载放在/home/user/.boltz下。下载URL在/boltz/src/boltz/main.py文件中，如下：

CCD_URL = "https://huggingface.co/boltz-community/boltz-1/resolve/main/ccd.pkl"
MOL_URL = "https://huggingface.co/boltz-community/boltz-2/resolve/main/mols.tar"

BOLTZ1_URL_WITH_FALLBACK = [
"https://model-gateway.boltz.bio/boltz1_conf.ckpt",
"https://huggingface.co/boltz-community/boltz-1/resolve/main/boltz1_conf.ckpt",
]

BOLTZ2_URL_WITH_FALLBACK = [
"https://model-gateway.boltz.bio/boltz2_conf.ckpt",
"https://huggingface.co/boltz-community/boltz-2/resolve/main/boltz2_conf.ckpt",
]

BOLTZ2_AFFINITY_URL_WITH_FALLBACK = [
"https://model-gateway.boltz.bio/boltz2_aff.ckpt",
"https://huggingface.co/boltz-community/boltz-2/resolve/main/boltz2_aff.ckpt",
]

结果文件夹名称为：boltz_results_affinity，内容如下：

结果在affinity_affinity.json文件中，可以看到，亲和力以log(IC50)为单位，等于6-2.5=3.5，大致等于300μM，是一个弱的binder。

复合物结构文件为affinity_model_0.cif，使用pymol打开:

pymol /boltz_results_affinity/predictions/affinity/affinity_model_0.cif

结构如下：

又一例，如下是EGFR抑制剂吉非替尼的亲和力计算文件：

version: 1  # Optional, defaults to 1
sequences:- protein:id: Asequence: GAMGEAPNQALLRILKETEFKKIKVLGSGAFGTVYKGLWIPEGEKVKIPVAIKELREATSPKANKEILDEAYVMASVDNPHVCRLLGICLTSTVQLITQLMPFGCLLDYVREHKDNIGSQYLLNWCVQIAKGMNYLEDRRLVHRDLAARNVLVKTPQHVKITDFGLAKLLGAEEKEYHAEGGKVPIKWMALESILHRIYTHQSDVWSYGVTVWELMTFGSKPYDGIPASEISSILEKGERLPQPPICTIDVYMIMVKCWMIDADSRPKFRELIIEFSKMARDPQRYLVIQGDERMHLPSPTDSNFYRALMDEEDMDDVVDADEYLIPQQG- ligand:id: Bsmiles: 'Clc1c(F)ccc(Nc2ncnc3c2cc(OCCCN2CCOCC2)c(OC)c3)c1'
properties:- affinity:binder: B

预测结果显示，预测的复合物结构与吉非替尼-EGFR复合物的PDB结构（PDBID: 4WKQ）非常接近，RMSD=0.267。

吉非替尼的亲和力为-6.56 log（IC50），低于1 μM，属于比较强的结合，与实际情况符合。