Boltz-2 — глибокий розбір + портфоліо-проєкт (структура + афінність)

B3bТехнології та генна терапіяоновлено 23 липня 2026 р.

Категорія B (технології). Створено: 23 липня 2026. Поглиблення до каталогу моделей (B18): Boltz-2 всередині, чим відрізняється від Evo 2 (це не геном, а білки+ліки) і покроковий проєкт для портфоліо — міні віртуальний скринінг.

TL;DR

Boltz-2 (MIT + Recursion, 2025) — перша відкрита модель, що робить дві речі разом: передбачає 3D-структуру комплексу «білок + ліганд» (рівень AlphaFold 3) і афінність зв’язування (наскільки міцно молекула тримається).
Прорив: за точністю афінності наближається до фізичних методів FEP, але приблизно на порядки швидша — тому придатна для масового віртуального скринінгу молекул.
Чим відрізняється від Evo 2: Evo 2 — про ДНК/геном; Boltz-2 — про білки й ліки (докінг+афінність). Це різні кути одного домену.
Відкрита (MIT-ліцензія), pip install boltz, простий CLI + YAML → чудовий проєкт для портфоліо AI-фарми. (Увага: новіша Boltz-2.1 — закрита, лише через API.)

Що це таке (простими словами)

Уяви, що маєш мішень (білок хвороби) і тисячу молекул-кандидатів. Питання: яка з них «прилипне» найкраще? Класично це або довгий докінг, або дорога фізика (FEP). Boltz-2 бере послідовність білка + SMILES молекули і одразу видає: як вони складаються разом у 3D і передбачену силу зв’язування (IC50). Тобто одна модель робить і «як виглядає», і «наскільки міцно».

Технічна суть

Ядро — як AlphaFold 3: дифузійна модель, що передбачає структуру комплексів (білки, нуклеїнові кислоти, малі молекули, іони) разом, а не окремо.
Модуль афінності: окрема «голова», що на основі спрогнозованого комплексу оцінює силу зв’язування й імовірність, що це взагалі бінкер.
Швидкість vs FEP: FEP (free-energy perturbation) — золотий стандарт точності, але надто повільний для скринінгу. Boltz-2 підбирається до його якості, лишаючись достатньо швидким для тисяч молекул.
Хто зробив: команда MIT (Wohlwend, Corso, Barzilay, Jaakkola та ін.) разом із Recursion; є й комерційні колаборації (напр. Pfizer навколо Boltz-моделей).

Що вміє (з прикладами)

Co-folding комплексу. Дає 3D-структуру «білок + ліганд» (формат mmCIF/PDB) з оцінками впевненості (pLDDT, ipTM).
Передбачення афінності. Видає IC50 (у мкМ) та ймовірність, що молекула — бінкер.
Віртуальний скринінг. Прогнати бібліотеку молекул і ранжувати за передбаченою силою зв’язування — головний практичний сценарій.
Структури без ліганда теж. Працює і як відкритий аналог AF3 для звичайного фолдингу комплексів.

Доступ

PyPI: pip install boltz. GitHub: jwohlwend/boltz. Сайт: boltz.bio.
CLI одним рядком (див. проєкт нижче). Потрібен GPU; для великих комплексів — більше пам’яті. MSA підтягується сервером (--use_msa_server).
Ліцензія: базова Boltz-2 — відкрита (MIT). Новіша Boltz-2.1 — закрита (тільки через API): для портфоліо бери відкриту.

Чесний реаліті-чек

Афінність — прогноз, не істина: «наближається до FEP» не означає «дорівнює експерименту». Ранжування корисне, абсолютні числа — обережно.
GPU потрібен: інференс важчий за просту модель; для великих бібліотек рахуй час/пам’ять.
Структура ≠ ефективність у людини: міцне зв’язування — лише перший крок; клініка вирішує далі (див. док «AI-пошук ліків»).
Boltz-2.1 закрита: не плутай; для відкритого відтворення — Boltz-2.

🎯 Портфоліо-проєкт: міні віртуальний скринінг на мішень

Ідея: взяти одну мішень і набір молекул, де відомо, хто «активний», а хто ні, і показати, що передбачення Boltz-2 відділяє активні від неактивних. Класичний, наочний результат для рекрутера в AI-фармі.

Рівень: середній (Python + трохи хімії/біології; SMILES і FASTA).
Час: 1–2 вихідні.
Компют: Colab/хмарний GPU. Почни з 10–50 молекул, потім масштабуй.

Кроки

Середовище. pip install boltz (краще у чистому env). Перевір, що бачить GPU.
Мішень. Візьми білок із відомими лігандами. Для теми «Біо» — щось із довголіття: BCL-2/BCL-xL (мішень сенолітика навітоклаксу) або mTOR–FKBP12 (рапаміцин), або SIRT1. Візьми послідовність (UniProt).
Молекули. Збери активні (відомі бінкери з ChEMBL) + декої/неактивні (з ChEMBL/DUD-E). 20 активних + 20 декоїв достатньо для демо.
Інференс. Для кожної молекули — YAML з білком і SMILES, запусти передбачення структури + афінності.
Зчитай результат. З JSON бери binder probability й IC50; зі структури — впевненість (ipTM/pLDDT).
Оцінка. Порахуй AUROC (binder probability vs мітки актив/декой) і enrichment factor (скільки активних у топ-10%). Це і є «чи працює скринінг».
Структурна перевірка. Візьми одну пару з відомою кристалічною структурою (PDB) і порівняй RMSD передбаченого комплексу — покажеш, що структура теж адекватна.
Упакуй. GitHub-репо: README з AUROC/enrichment, картинка ROC, приклад передбаченого комплексу, короткий висновок.

CLI + вхідний YAML

# target.yaml — білок + молекула-кандидат
version: 1
sequences:
  - protein:
      id: A
      sequence: MAHAGRTGYDNREIVMKYIHYKLSQRGYEW...   # послідовність мішені (UniProt)
  - ligand:
      id: L
      smiles: "O=C(...)..."                          # SMILES кандидата
properties:
  - affinity:
      binder: L

# запуск: структура + афінність, MSA з сервера
boltz predict target.yaml --use_msa_server
# результат: output/predictions/target/affinity-target.json  (IC50 мкМ + binder probability)
#            + структура комплексу у форматі mmCIF

Що це доводить роботодавцю

Вмієш працювати з входом білок+ліганд (FASTA/SMILES) і сучасною структурно-афінною моделлю.
Розумієш правильну оцінку скринінгу (AUROC, enrichment, RMSD) — не «крутнув модель», а показав користь.
Прив’язав до розробки ліків — прямий сигнал для AI-pharma (Recursion, Isomorphic, Insilico…).

Розширення (для «вау»)

Ранжування бібліотеки: прогнати 500–1000 молекул і показати топ-кандидатів.
Порівняння з докінгом: зістав Boltz-2 із DiffDock/простим докінгом на тому ж наборі.
Своя мішень довголіття: зроби скринінг під конкретний білок старіння й напиши міні-звіт.

Ресурси

Модель і код: github.com/jwohlwend/boltz, pypi.org/project/boltz, boltz.bio/boltz2.
Дані для оцінки: ChEMBL (активності), DUD-E (декої), PDB (кристалічні структури для RMSD).
Практичний гайд із запуску: Rowan «How to Run Boltz-2».

Джерела

Boltz-2 — спільна структура й афінність (офіційна сторінка): https://boltz.bio/boltz2
Технічний звіт Boltz-2 (PDF, Wohlwend та ін., 2025): https://jeremywohlwend.com/assets/boltz2.pdf
MIT і Recursion випускають Boltz-2 (анонс): https://www.barchart.com/story/news/32773916/mit-and-recursion-release-boltz-2-next-generation-ai-model-to-predict-binding-affinity-at-unprecedented-speed-scale-and-accuracy
Як запускати Boltz-2 (CLI, YAML, вихід IC50), Rowan: https://rowansci.com/blog/how-to-run-boltz-2
Пакет boltz на PyPI: https://pypi.org/project/boltz/
Boltz × Pfizer — колаборація по біомолекулярних FMs: https://www.biospace.com/press-releases/boltz-and-pfizer-announce-strategic-collaboration-to-develop-and-deploy-state-of-the-art-biomolecular-ai-foundation-models

Матеріали сайту мають освітній характер і не є медичною порадою. Рішення про будь-які втручання ухвалюйте разом із лікарем.