boltz:基于深度学习的 biomolecular interaction prediction 模型项目

简介

Boltz 是一系列用于生物分子相互作用预测的模型。Boltz-1 是首个达到 AlphaFold3 精度的完全开源模型。我们最新的研究成果 Boltz-2 是一种全新的生物分子基础模型，它超越了 AlphaFold3 和 Boltz-1，能够联合建模复杂结构与结合亲和力，这是实现精准分子设计的关键要素。Boltz-2 是首个精度接近基于物理的自由能微扰（FEP）方法的深度学习模型，同时运行速度快 1000 倍——这使得精准的计算机筛选在早期药物发现中具备了实际应用价值。

所有代码和权重均采用 MIT 许可证，可免费用于学术和商业用途。有关模型的更多信息，请参阅 Boltz-1 和 Boltz-2 技术报告。如需讨论更新、工具和应用，请加入我们的 Slack 频道。

安装

注意：我们建议在全新的 python 环境中安装 boltz

通过 PyPI 安装 boltz（推荐）：

pip install boltz[cuda] -U

或直接从 GitHub 获取每日更新：

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

如果您要在仅支持 CPU 或非 CUDA GPU 的硬件上安装，请从上述命令中移除 [cuda]。请注意，CPU 版本的速度明显慢于 GPU 版本。

推理

您可以使用 Boltz 通过以下方式运行推理：

boltz predict input_path --use_msa_server

input_path 应指向一个 YAML 文件，或一个包含 YAML 文件的目录（用于批量处理），该文件或目录描述了您要建模的生物分子以及您想要预测的性质（例如亲和力）。要查看所有可用选项，请执行：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。

结合亲和力预测

亲和力输出中有两个主要预测值：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，应在不同情境下使用。affinity_probability_binary 字段应用于从诱饵中识别结合剂，例如在 hit 发现阶段。其值范围为 0 到 1，表示配体是结合剂的预测概率。affinity_pred_value 旨在衡量不同结合剂的特异性亲和力，以及这种亲和力如何随分子的微小修饰而变化。这应在配体优化阶段使用，例如 hit-to-lead 和先导化合物优化。它报告的结合亲和力值为 log10(IC50)，由以 μM 为单位测量的 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，请参阅我们的预测说明。

MSA 服务器认证

当使用 --use_msa_server 选项连接需要认证的服务器时，您可以通过以下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。

评估

⚠️ 即将推出：Boltz-2 的更新评估代码！

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，我们很快将提供 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。

训练

⚠️ 即将推出：Boltz-2 的更新训练代码！

如果您有兴趣重新训练模型（目前适用于 Boltz-1，不久将支持 Boltz-2），请参阅我们的训练说明。

贡献

我们欢迎外部贡献，并热切期望与社区互动。通过我们的Slack 频道与我们联系，讨论技术进展、分享见解，并围绕 Boltz-2 促进合作。

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，这得益于 Moritz Thüning 开发的分支版本。

许可证

我们的模型和代码基于 MIT 许可证发布，可免费用于学术和商业目的。

引用

如果您在研究中使用了本代码或模型，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，若您使用自动 MSA 生成功能，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},
}