超越AlphaFold！MIT、Recursion发布下一代AI模型，提速1000倍

摘要：这款首创性模型利用Recursion的英伟达（NVIDIA）超级计算机进行训练和验证，在联合建模复杂生物分子结构和预测其结合亲和力方面达到了同类最佳的精度。Boltz-2标志着对现有生物分子结构预测模型（如AlphaFold3及其前身Boltz-1）的重大超越

—各奖项申报陆续启动，欢迎关注—

6月6日，麻省理工学院（MIT）与Recursion公司联合宣布开源发布生物分子基础模型Boltz-2。

这款首创性模型利用Recursion的英伟达（NVIDIA）超级计算机进行训练和验证，在联合建模复杂生物分子结构和预测其结合亲和力方面达到了同类最佳的精度。Boltz-2标志着对现有生物分子结构预测模型（如AlphaFold3及其前身Boltz-1）的重大超越。

从Boltz-1到Boltz-2

2023年初，MIT和Recursion公司启动了一项研究：探索机器学习模型能否不仅预测分子结构，更能深入理解生物分子的行为——它们如何相互作用？结合的可能性有多大？

许多疾病的核心在于生物分子功能的失调。设计能够与相关靶点特异性结合的分子是缓解这一问题的关键策略。然而，准确预测这种结合行为，一直是设计有效新药所面临的核心挑战。

2024年，该项目成果被命名为Boltz-1。作为一个开源模型，Boltz-1旨在成为该领域最先进方法AlphaFold3的快速、易获取替代方案。自发布以来，Boltz-1已被全球领先学术实验室、生物技术公司和制药公司的数千名科学家广泛采用，成为该领域应用最广泛的同类模型。

研究人员在多个关键维度上对Boltz-1进行了显著改进，从而诞生了Boltz-2。新模型使用了一个更大、更多样化的数据集进行了重新训练，数据集囊括了分子动力学模拟（模拟分子运动）以及由早期版本模型预测生成的合成数据。Boltz-2还引入了一项名为 Boltz-Steering（Boltz导向）的新功能，该技术利用基于物理原理的线索对结果进行微调，显著提升了预测结构的物理真实性。

除了性能的飞跃，Boltz-2在设计上更注重可用性。该模型能够接受真实实验数据、示例结构或用户偏好的引导，赋予研究人员更强的控制能力，使他们能够根据已知信息或特定测试目标定制化调整预测结果。

Boltz-2的核心突破

与AlphaFold3类似，Boltz-2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，成功扩展到更广泛的生物分子领域，包括DNA、RNA和小分子配体。该模型不仅能预测分子相互作用的精确3D结构，其能力还延伸至分子对接与优化等下游任务。

Boltz-2在一个大规模、多源融合的数据集上进行了训练。该数据集整合了约500万个结合亲和力实验测量值、分子动力学模拟轨迹以及模型蒸馏数据。这种独特的数据组合策略显著提升了模型预测结构的物理真实感。

在标准的FEP+亲和力基准测试中，Boltz-2实现了0.62的平均Pearson相关系数，其预测精度能够与可开源的自由能微扰（FEP）流程（如OpenFE）相媲美。然而，在速度方面，Boltz-2展现出革命性的优势：它仅需约20秒即可计算出一个结合亲和力值，比当前的FEP预测流程快1000倍，是首个达到如此精度水平的深度学习模型。

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种蛋白质-配体复合物的结合亲和力方面，表现优于所有参赛的专门方法。在回顾性虚拟筛选测试（MF-PCBA）中，Boltz-2的性能同样显著超越传统的机器学习方法和分子对接技术，其平均精度提高了一倍。

Boltz-2的核心优势与差异化特性（相比其他方法）：

改进的亲和力预测：在广泛采用的FEP+基准测试上达到接近FEP（自由能微扰）金标准方法的精度，同时速度快1000倍以上且计算成本大幅降低。

领先的基准测试性能：展现卓越的预测能力，在CASP16亲和力挑战赛中综合表现超越所有参与者。

先进的联合建模：独特地实现对3D生物分子复合物结构的建模，同时联合预测结合亲和力和蛋白质动力学参数（例如B因子，反映原子位移）。

可控且物理真实：通过Boltz-Steering（Boltz导向）技术显著提升预测结构的物理合理性，并支持通过模板引导、方法选择和接触约束等方式增强用户控制。

新颖且扩展的训练数据：训练数据来源创新且规模庞大，包括分子动力学模拟、扩展的模型蒸馏数据以及约500万项实验测得的结合亲和力数据。

为促进机器学习与生物学交叉领域的广泛应用与持续创新，研究团队采用高度宽松的MIT开源协议公开发布Boltz-2。发布的资源包括模型权重、推理代码与完整的训练代码，明确允许商业和非商业用途，以最大化其影响力。

开源模型：

github.com/jwohlwend/boltz

预印本：

- 上下滑动查看参考资料 -

[1]https://boltz.bio/boltz2

[2]https://www.globenewswire.com/news-release/2025/06/06/3095179/0/en/MIT-and-Recursion-Release-Boltz-2-Next-Generation-AI-Model-to-Predict-Binding-Affinity-at-Unprecedented-Speed-Scale-and-Accuracy.html

[3]https://www.csail.mit.edu/news/mit-releases-breakthrough-protein-binding-affinity-model-expanding-role-ai-drug-discovery

[4]https://www.genengnews.com/topics/artificial-intelligence/boltz-2-released-to-democratize-ai-molecular-modeling-for-drug-discovery/

[5]https://rowansci.com/blog/how-to-run-boltz-2

[6]http://jeremywohlwend.com/assets/boltz2.pdf