6月6日，麻省理工學院與Recursion共同宣布推出一款突破性的AI+藥物研發模型Boltz-2，用于預測藥物靶標 3D 結構，以及結合親和力。

新聞稿中稱，Boltz-2已經超越現有生物分子結構預測模型，包括之前業界所熟知的AlpphaFold3。

也就是說，Boltz-2是第一個接近基于物理的自由能擾動（FEP）的深度學習模型，在各項測試中預測性能媲美FEP，與此同時預測速度提高了1000倍！

團隊稱，這項工作標志著計算機篩選的新時代，能夠顯著提升分子篩選的速度和規模，直接解決了小分子發現的關鍵瓶頸。

目前，該項目已經開源，包括模型、權重，可不受限制地用于學術和商業用途。

團隊表示，已經迫不及待地看到科學家們發揮出想象力，將其集成到工作流中。

開源模型：github.com/jwohlwend/boltz
預印本：http://jeremywohlwend.com/assets/boltz2.pdf

業界首個媲美物理方法模型

當前小分子藥物研發中，結合親和力決定了藥物能否與靶點相互作用，從而發揮治療作用。

基于物理的FEP預測模型雖然準確，但速度很慢但成本高昂，而長期以來深度學習模型的可靠性和準確度無法匹敵。

因此，業界希望出現能夠精準預測分子之間相互作用的模型。

如今，Boltz-2 作為下一代生物分子基礎模型，被認為是有望解決這一難題的關鍵。

該AI模型由麻省理工學院計算機科學與人工智能實驗室與上市AI制藥公司Recursion一起開發，雙方在Boltz-1的基礎之上，通過改進和拓展性能而來。

簡單來說，Boltz 與 AlphaFold3 一樣，均是一種全原子共折疊模型，它將蛋白質折疊或結構預測的概念擴展到DNA、RNA、配體中。該模型不僅可以預測分子相互作用的 3D 結構，還可用于分子設計等下游任務。

一般而言，結構和親和力被視為單獨的AI模塊，但Boltz-2將親和力預測與結構建模相結合，提高了預測結構的物理真實感。該模型還支持通過接觸約束、模板引導和特定于方法讓用

Boltz-2 模型架構圖

Boltz-2 在一個大型數據集上進行了訓練，該數據集結合了500萬個結合親和力測量值、分子動力學模擬和蒸餾數據，這些方法顯著提高了預測結構的物理真實感。

在標準 FEP+ 親和力基準測試中，Boltz-2 實現了 0.62 的平均 Pearson相關系數，能夠與可開源 FEP 流程 OpenFE 相媲美。但在速度方面，Boltz-2 只需 20 秒即可計算出結合親和值，比當前FEP預測快1000倍！

Boltz-2的測試性能表現

在 CASP16 親和力挑戰測試中，Boltz-2 在預測140種復合物的結合親和力方面優于所有專門方法。在回顧性篩選 (MF-PCBA) 中，Boltz-2 的表現顯著優于機器學習和對接，平均精度提高了一倍。

CASP16 親和力挑戰基準測試

以著名的TYK2靶點為例，通過Boltz-2與AI分子生成模型連用，能夠實現大規模進行篩選。而該組合預測所有排名前10的化合物均能與靶點結合，也證明了Boltz-2可集成到藥物研發工作流中。

預測TKY2結合親和力

此外，它在 DNA-蛋白質、RNA 和抗體-抗原系統上也表現良好，由于Boltz-2 學習了大量分子動力學（MD）數據，它能更有效地捕捉到分子動態。

將達到實驗室級的準確性

目前該項目已經開源，包含模型權重和訓練代碼，研究人員可以自行部署該模型，可廣泛用于學術和科研用途。

盡管雖Boltz-2 目前定位于解決小分子藥物發現，團隊希望隨著該模型的發布，結構生物學預測將不再是科學家們的攔路虎，并且所有人都可以廣泛使用。

第一作者Gabriele Corso甚至表示，該模型只是一個起點，他預計此類AI模型將在一到兩年內達到實驗級準確性的結合親和力預測。

但顯然，Boltz-2依舊無法取代濕實驗，真實的實驗結果仍然是判斷分子親和力的最終標準。

但團隊已經迫不及待地看到，科學家們能夠進一步構建該模型，并將其擴展到工作流中，切實地幫助藥物研發。