企业官网建设流程全解析

Boltz 亲和力预测实战：一条命令跑通，两个数字筛出候选分子

【免费下载链接】boltzOfficial repository for the Boltz biomolecular interaction models项目地址: https://gitcode.com/GitHub_Trending/bo/boltz

Boltz（Boltz-2）开源项目的亲和力预测模块，一次运行会同时给出两个数：0–1 的结合概率，和以 log10(IC50) 表示的亲和力数值。前者决定一个分子值不值得留下，后者决定下一步该怎么改。本文按"先跑通一次 → 看懂两个数 → 设筛选阈值 → 做优化迭代"的顺序展开，读完可以直接照着做。

🧪 先跑通：输入文件怎么写，一条命令出结果

Boltz 通过 pip 安装后即可使用，模型权重在首次运行时自动下载到本地缓存。整个预测流程只需要一个 YAML 输入文件和一条命令行。

输入文件怎么写

输入文件的核心是三样东西：一条蛋白质链、一条配体链、一个属性声明。

sequences: - protein: id: A sequence: MVTPEGN... # 此处填写完整氨基酸序列 msa: ./examples/msa/seq1.a3m - ligand: id: B smiles: 'NC@@Hcc1)C(=O)O' properties: - affinity: binder: B

蛋白质链给出id和氨基酸序列，msa指向该蛋白的多序列比对文件（用在线服务自动生成时可以省略）；配体链给出id和 SMILES 字符串（也可以改用ccd码引用化合物数据库里的标准配体）。properties下的affinity块只写一行：binder指向要做亲和力预测的配体链 ID，一个文件里只能指定一个小分子。仓库里提供了可直接运行的示例examples/affinity.yaml，完整字段说明（多链、修饰残基、模板结构、口袋约束等）见 docs/prediction.md。

一条命令跑预测

boltz predict examples/affinity.yaml --use_msa_server --diffusion_samples_affinity 5 --output_format pdb

参数逐个看：

• --use_msa_server：MSA（多序列比对）是把蛋白的同源序列排齐后的产物，给模型提供进化信息。带上这个开关，Boltz 会通过在线服务自动检索生成；不带就需要自己准备好.a3m文件写进msa字段。
• --diffusion_samples_affinity：扩散采样的次数。扩散采样可以理解为"模型从一团噪声开始，逐步去噪、精修出一个三维构象"的生成过程，亲和力预测默认采样 5 次，次数越多统计量越稳。
• --sampling_steps_affinity：每个样本内部的去噪步数，默认 200，步数越多结构越精细，运行也越慢。
• --output_format pdb：预测出的蛋白-配体复合物以 PDB 格式写出（默认是 MMCIF），之后可以丢进 PyMOL 等可视化工具里检查结合姿态。

结果文件长什么样

运行结束后，输出目录的predictions/<输入文件名>/下会生成affinity_<输入文件名>.json，亲和力结果就在里面：

{ "affinity_pred_value": 0.8367, "affinity_probability_binary": 0.8425, "affinity_pred_value1": 0.8225, "affinity_probability_binary1": 0.0, "affinity_pred_value2": 0.8225, "affinity_probability_binary2": 0.8402 }

没有后缀的两个字段是双模型集成（ensemble）的汇总结果，带_1、_2的是集成中第 1、第 2 个模型各自的输出。如果某个成员明显偏离汇总值——比如上面第 1 个模型的概率是 0，第 2 个是 0.84——说明模型对这个化合物"意见不统一"，可以把它当作可信度偏低的提示。日常使用一般直接看无后缀的汇总字段。

看懂两个数：一个是是否题，一个是刻度尺

这两个数来自训练数据和监督信号都不同的两个预测头，各自回答的问题不一样：

affinity_probability_binary（结合概率）：0–1 之间，是模型认为"这个配体是活性结合物"的概率。它只回答是或否，像流水线上的合格/不合格闸门，适合大规模判别，不管分子结合得多紧。

affinity_pred_value（亲和力数值）：单位是 log10(IC50)，IC50 按 μM 计算。IC50 指达到一半结合效应所需的配体浓度——数值越小，说明药量需求越低、结合越紧。取 log10 是为了把动态范围压平方便处理：

• 输出-3：对应 IC50 约 10⁻⁶ μM（即 10⁻⁹ M），强结合物；
• 输出0：对应 IC50 约 1 μM，中等结合物；
• 输出2：对应 IC50 约 100 μM，弱结合物，基本是诱饵水平。

数字越小，预测结合越强。

⚠️ 一个常见误用：这个数值只在"不同活性分子之间比较相对强弱"时才有意义，拿它去区分活性与非活性并不可靠——那是概率字段的任务。

想和实验测定值直接对照，可以用下面的公式换算成 pIC50（kcal/mol 单位的能量值，数值越大亲和力越强）：

pIC50 = (6 − affinity_pred_value) × 1.364

🎯 虚拟筛选怎么设阈值：用概率从大库挑苗子

虚拟筛选的任务，是从百万级的化合物库里挑出少数几个值得进湿实验的候选。流程很直接：

1. 为库里每个化合物准备一份 YAML 输入，批量跑预测；
2. 只记录每个分子的affinity_probability_binary；
3. 阈值分两轮：第一轮用约 0.5 的低阈值粗筛，宁可多留、怕漏真阳性；第二轮对幸存者收紧到 0.7–0.8，留得越少，进实验的把握越大。

也可以不切阈值，直接按概率从高到低排序取 Top-N，两种做法结合使用效果更稳。

动手前先做两件事：一是把库里配体原子数明显偏大的化合物先剔除——亲和力模块的可靠范围是 ≤56 个原子（按 RDKit RemoveHs 后的计数），128 个是硬性上限，详见下文边界条件；二是这一步不要拿affinity_pred_value排序，它区分不了活性与惰性分子。

🔬 先导优化怎么迭代：用数值给分子改造指方向

拿到先导化合物后，问题从"它活不活性"变成"能不能结合得更紧"，两个字段各自的角色也随之切换：

1. 基于先导结构做一轮衍生物设计（官能团替换、桥环延伸等）；
2. 用 Boltz 批量预测每个衍生物，同时记下概率和数值两个字段；
3. 按双重标准挑候选：概率保持在 0.8 以上（确认仍是可靠活性分子），在幸存者里再按affinity_pred_value升序排，取最低的若干个送湿实验验证。

数值字段此时充当方向盘：这一轮改造如果数值下降且概率没掉，方向对了；如果概率跌破 0.8，说明这次改造丢掉了活性，要回退重做，而不是继续往这个方向推。

两个实用参数：

• --affinity_mw_correction：给数值预测头加入分子量校正，当衍生物越改越大时建议开启，能改善大配体的数值估计；
• 对最后几个候选，把--diffusion_samples_affinity和--sampling_steps_affinity一起调高（比如 10 个样本 × 400 步），用更长的运行时间换取更稳的统计，小批量精算比全库都开大参数划算。

⚠️ 什么情况别用：适用边界与结果可信度

跑之前对照三条边界检查输入：

• 配体大小：建议 ≤56 个原子（RDKit RemoveHs 后计数），128 个以内可以运行但不推荐，再大就别用亲和力功能了；
• 靶点类型：针对蛋白质靶点优化，配 RNA/DNA 靶点跑不会报错，但输出不可信；
• 硬件：完整预测依赖 GPU，高采样、高步数的精算配置对显存和时间要求更高，库级筛选建议先用默认参数跑一遍再精算。

可信度方面，项目在独立测试集（含 FEP+ benchmark、CASP16、MF-PCBA）上报告了两个预测头对实验值的 Pearson 相关和 RMSE，与其他模型的对比见下图：

评估脚本在 scripts/eval/（run_evals.py、aggregate_evals.py），数据集构建方式写在 docs/evaluation.md。

往后看，随着训练数据和评测集的持续扩充，亲和力模块能覆盖的靶点与分子范围还会继续扩大；但"概率筛苗、数值精修"这套两个数字的工作流，现在就可以直接上手用。

【免费下载链接】boltzOfficial repository for the Boltz biomolecular interaction models项目地址: https://gitcode.com/GitHub_Trending/bo/boltz