6月6日，麻省理工学院与Recursion共同宣布推出一款突破性的AI+药物研发模型Boltz-2，用于预测药物靶标 3D 结构，以及结合亲和力。
新闻稿中称，Boltz-2 已经超越现有生物分子结构预测模型，包括之前业界所熟知的AlpphaFold3。
也就是说，Boltz-2是第一个接近基于物理的自由能扰动（FEP）的深度学习模型，在各项测试中预测性能媲美FEP，与此同时预测速度提高了 1000 倍！
团队称，这项工作标志着计算机筛选的新时代，能够显著提升分子筛选的速度和规模，直接解决了小分子发现的关键瓶颈。
目前，该项目已经开源，包括模型、权重，可不受限制地用于学术和商业用途。
团队表示，已经迫不及待地看到科学家们发挥出想象力，将其集成到工作流中。
开源模型：github.com/jwohlwend/boltz
预印本：http://jeremywohlwend.com/assets/boltz2.pdf
业界首个媲美物理方法模型
当前小分子药物研发中，结合亲和力决定了药物能否与靶点相互作用，从而发挥治疗作用。
基于物理的FEP预测模型虽然准确，但速度很慢但成本高昂，而长期以来深度学习模型的可靠性和准确度无法匹敌。
因此，业界希望出现能够精准预测分子之间相互作用的模型。
如今，Boltz-2 作为下一代生物分子基础模型，被认为是有望解决这一难题的关键。
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。
一般而言，结构和亲和力被视为单独的AI模块，但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。该模型还支持通过接触约束、模板引导和特定于方法让用
Boltz-2 模型架构图
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！
Boltz-2的测试性能表现
在 CASP16 亲和力挑战测试中，Boltz-2 在预测 140 种复合物的结合亲和力方面优于所有专门方法。在回顾性筛选 (MF-PCBA) 中，Boltz-2 的表现显著优于机器学习和对接，平均精度提高了一倍。
CASP16 亲和力挑战基准测试
以著名的TYK2靶点为例，通过Boltz-2与AI分子生成模型连用，能够实现大规模进行筛选。而该组合预测所有排名前10的化合物均能与靶点结合，也证明了Boltz-2可集成到药物研发工作流中。
预测TKY2结合亲和力
此外，它在 DNA-蛋白质、RNA 和抗体-抗原系统上也表现良好，由于Boltz-2 学习了大量分子动力学（MD）数据，它能更有效地捕捉到分子动态。
将达到实验室级的准确性
目前该项目已经开源，包含模型权重和训练代码，研究人员可以自行部署该模型，可广泛用于学术和科研用途。
尽管虽Boltz-2 目前定位于解决小分子药物发现，团队希望随着该模型的发布，结构生物学预测将不再是科学家们的拦路虎，并且所有人都可以广泛使用。
第一作者Gabriele Corso甚至表示，该模型只是一个起点，他预计此类 AI 模型将在一到两年内达到实验级准确性的结合亲和力预测。
但显然，Boltz-2依旧无法取代湿实验，真实的实验结果仍然是判断分子亲和力的最终标准。
但团队已经迫不及待地看到，科学家们能够进一步构建该模型，并将其扩展到工作流中，切实地帮助药物研发。
