🎯 Boltz-2 модель от MIT для предсказания взаимодействия белков с физикой на борту

Недавно MIT релизнули свою фундаментальную модель для предсказания структур и взаимодействий белков. Она ближе всего к AlphaFold3 из опенсорсных моделей и впервые приближается по точности к физическим (и крайне вычислительно дорогим) методам, таким как Free Energy Perturbation (FEP) будучи в 1000 раз быстрее.

TLTR:
Bolz-2 - это многоцелевой трансформер, обученный на структурных и биофизических данных:
Boltz-2 может:
• Предсказать структуру нового белка, мутанта или комплекса
• Смоделировать гибкость и взаимодействия
• Найти сайты связывания и офф-таргеты
• Ускорить hit-to-lead без мокрого скрининга
• Сильно упростить драг дизайн

Почему быстрее симуляций физики - потому что на основе эмбеддингов, структур и distillation из molecular dynamics (MD).

Теперь подробнее.
Немного о FEP.
Free Energy Perturbation (FEP) позволяет оценить, как изменится энергия связывания при модификации лиганда.

Работает так. Надо:
1. Смоделировать лиганд в комплексе с белком (bound state)
2. Смоделировать его отдельно (unbound state)
3. Прокрутить переход между ними (через «λ»-coupling parameter)
4. Получить ΔΔG - изменение свободной энергии связывания

Метод суперточный, но оооочень медленный, т.к требует атомистических симуляций в стиле молекулярной динамики (MD). Именно здесь Boltz-2 делает революцию: сравнимая точность на порядок быстрее и доступнее.

📐 Архитектура Boltz-2 состоит из 4 модулей:
1. Trunk (основной стек)
Обрабатывает входную последовательность, использует attention-механизмы (PairFormer аналогично AlphaFold).
2. Denoising + Steering.
Тут добавлены физические потенциалы (Boltz-steering), исправляющие стерические конфликты в структурах (это когда отталкивающеся по законам физики молекулы в предсказании оказываются слеплены вместе). В этом была проблема других моделей.

3. Confidence Module
Оценивает уверенность в предсказаниях (ipTM).
Поддерживает режимы NMR, MD, Cryo-EM (экспериментальные методы)

4. Affinity Module
С двумя головами: бинарная классификация (binder/non-binder) и регрессия по аффинности (log10 от IC50).

📈 Результаты
🔬 Структура:
• Лучше Boltz-1 на сложных системах (RNA, TCR, антитела)
• Сопоставим с AlphaFlow, BioEmu по RMSF

💊 Аффинность:
• Близко к FEP+ (R=0.78), но в 1000× быстрее.
• Побеждает всех участников CASP16 affinity challenge без дообучения.

🧪 Проспективный скрининг:
В статье использовали GFlowNet-агента (SynFlowNet) как генератор молекул для выбранной цели (TYK2).
1. SynFlowNet сгенерили молекулы (sample space из Enamine REAL — 76 миллиардов синтезируемых кандидатов)
2. Эти молекулы оценили Boltz-2 по двум метрикам:
• Вероятность связывания (binding likelihood)
• Предсказанная аффинность (affinity value)
3. Это использовали как reward для обучения генератора
4. Затем вторично валидировали с помощью FEP (Boltz-ABFE)

Итог: ИИ-агент находит новые, синтезируемые, высокоаффинные связующие для цели.

⚠️ Ограничения. Не заменяет эксперимент. Это приоритезация, а не подтверждение, т.к:
1. Не учитывает кофакторы
вода, ионы, белки рядом могут критично влиять на связывание белков.
2. Если модель ошибается в локализации сайта связывания - всё, нерелевантные предсказание аффинности.
3. Большие структурные изменения белков при связывании не предсказываются корректно

Как упростить драг дизайн.
Drug discovery отходит от гипотезы "silver bullet", когда нужно найти малую молекулу, которая пофиксит болезнь. Дизайн лекарств - это создание функциональных комплексов. Например self-assembly биосовместимых полимеров, которые сворачиваются в капсулу размером 50нм, ее функциализируют лигандами (пептидами, антителами, белками). В нее упаковывают действующее вещество (какую-нидь токсичную молекулу-киллера раковых клеток, напр).
Поскольку эти наночастицы функционализированы лигандами - вот их взаимодействие с белками можно моделировать через Boltz-2:
NP-ligand → Boltz-2 → target binding как часть более крупного пайплайна.

Похоже, уже моделируют: спустя неделю 3k stars, >400 forks

Код
Статья
Блог
Slack community