1. 问题背景从头设计结合物de novo binder design是计算生物学的核心挑战之一。现有方法如RFdiffusion、BindCraft、AlphaProteo各有侧重但普遍存在两个局限一是针对特定类型生物分子优化泛化能力有限二是在与训练数据相似的靶标上测试外推能力存疑。BoltzGenStark et al., 2025试图用单一全原子生成模型同时解决设计和结构预测两类任务并在9个与PDB中已知结合结构序列相似度低于30%的新靶标上进行湿实验验证。2. 模型架构BoltzGen的架构基于Boltz-2/AlphaFold3分为Trunk和Diffusion Module两部分。Trunk负责编码输入条件靶标结构、结合位点、共价键约束等通过PairFormer栈生成token和pair表示Diffusion Module在Trunk输出的条件上通过去噪过程生成全原子3D坐标。关键创新在于几何编码设计残基的氨基酸类型不是用离散token表示而是用虚拟原子在主链原子上的位置分布来编码。例如脯氨酸用7个原子放在主链氧原子上表示苏氨酸用3个放在氮上、4个放在氧上。这使得整个生成过程在连续空间中进行无需混合离散和连续表示从而可以联合训练折叠和设计任务。扩散过程沿用Boltz-2的公式dX_t sqrt(2t)dB_t通过去噪器D_θ(x,t;z)近似后验均值。训练损失包含MSE项、键长约束项和smooth_lDDT项噪声采样分布为 σ_data·exp(-1.2 1.5·N(0,1))。3. 设计规范语言BoltzGen提供了灵活的条件输入• 共价键约束可指定原子间的共价键支持环肽设计头尾环化、二硫键等• 结构条件通过成对距离约束部分结构支持motif scaffolding• 结合位点标注靶标上的结合/非结合残基引导设计朝向目标区域• 二级结构可指定设计区域的α螺旋、β折叠或无规卷曲4. 完整管线BoltzGen Pipeline包含6个阶段① BoltzGen扩散生成GPU批量生成候选结合物② 反向折叠GPU用BoltzIF优化序列提高可溶性和重折叠成功率③ 折叠验证GPU用Boltz-2预测复合体结构计算设计结构与生成结构的RMSD④ 亲和力预测GPU针对小分子靶标用Boltz-2亲和力模块预测结合强度⑤ 物理指标分析CPU计算氢键数、盐桥数、 buried surface area、疏水斑块面积等⑥ 过滤排序CPU基于多指标加权排名 质量多样性QD算法选择最终候选集5. 工程应用核酸结合多肽设计在国内产业实践中科晶生物https://www.kjfold.com/基于BoltzGen构建了核酸结合多肽从头设计服务。其技术管线如下输入目标核酸序列 结合位点根据翻译起始位点确定Step 1 — BoltzGen设计生成500个长度为30aa的候选结合多肽Step 2 — HDOCK精筛参数Spacing1.2, Angle15计算对接分数。置信度公式Confidence 1/(1exp(0.02*(Score150)))分数-200时置信度0.7Step 3 — AlphaFold3建模对HDOCK筛选的top候选进行一对一精细建模评估pTM和ipTM值0.75为可靠输出约30个候选多肽附带pLDDT结构置信度、HDOCK结合能、AF3结合位点预测三层筛选逻辑——BoltzGen生成多样性、HDOCK评估结合能、AF3验证结构可靠性——形成了一个从计算设计到候选交付的完整闭环。6. 小结BoltzGen的工程价值在于统一的模型架构降低了工具链复杂度灵活的设计规范语言支持多种结合物类型完整管线覆盖了从生成到筛选的全流程。开源代码和权重github.com/HannesStark/boltzgen也降低了复现和二次开发的门槛。对于需要设计核酸结合多肽的团队基于BoltzGen HDOCK AlphaFold3的管线已经是一条可落地的技术路径。
