科研 Skill
Boltz 生物分子共折叠
boltz
使用 Boltz-2 预测蛋白质、核酸和小分子复合物结构(Passaro、Wohlwend 等,2025)。适用于针对靶标验证设计的结合蛋白、将蛋白质与 SMILES 或 CCD 配体共同折叠,或使用可选的结合亲和力预测功能获得开源 AlphaFold3 替代方案。
SKILL.md
Boltz-2
Boltz-2 是在使用方式上最接近 AlphaFold3 的开放权重扩散式共折叠模型:输入描述蛋白质、DNA、RNA 和配体链的 YAML,输出 mmCIF 结构以及 pTM、ipTM 和 pLDDT 置信度,并可选择使用小分子亲和力预测头。在我们的四个共折叠技能中,它是结合蛋白验证任务的默认选择——权重完全开放并采用 MIT 许可证,而且采样速度最快;需要使用第二个独立模型取得共识时选择 chai1,重视忠实于 AF3 的设置时选择 openfold3,可以不使用 MSA 时选择 esmfold2。代码和权重均采用 MIT 许可证(PyPI boltz,github.com/jwohlwend/boltz)。
运行方法
# complex.yaml
version: 1
sequences:
- protein:
id: A
sequence: MVTPEGNVSLVDESLLVGVTDEDRAVRS... # 靶标
- protein:
id: B
sequence: AIQRTPKIQVYSRHPAENG... # 结合蛋白
- ligand:
id: L
smiles: 'N[C@@H](Cc1ccc(O)cc1)C(=O)O' # 或使用 ccd: SAH
boltz predict complex.yaml \
--use_msa_server --out_dir out/ --recycling_steps 3 --diffusion_samples 5
每条蛋白质链都需要一个 MSA;如果没有 MSA,程序会在模型加载前退出。--use_msa_server 会查询 api.colabfold.com(预计每条链会暂停 30–90 秒),除非已经有一个 .a3m 文件可在 YAML 的 msa: 下指定,否则这是正确的默认选择。设置 msa: empty 会强制使用单序列模式——这会牺牲准确度,并不能提高速度或节省内存,因为 MSA 搜索在 GPU 阶段开始前运行于 CPU。
每个输入的输出位于 out/boltz_results_complex/predictions/complex/。首先读取 confidence_complex_model_0.json:界面的社区通用通过线为 iptm > 0.5,折叠本身的通过线为 complex_plddt > 0.7;confidence_score 是结构排序所依据的加权综合分数。结构文件为 complex_model_{0..N-1}.cif(使用 --output_format pdb 时则为 .pdb)。
亲和力预测头
添加一个 properties: 块,将一条配体链指定为结合物,Boltz-2 就会在预测结构的同时预测蛋白质–小分子结合亲和力:
properties:
- affinity:
binder: L # 配体链 ID,而不是蛋白质链 ID
输出中会在置信度文件旁新增 affinity_complex.json:affinity_pred_value 是 log10(IC50,单位为 μM)——数值越低,结合越紧密(约 0 → 1 μM,−3 → 1 nM);affinity_probability_binary 是范围为 0–1 的结合物与非结合物分类分数,应使用该分数对命中结果进行排序。每个输入只能指定一个亲和力配体;结合物必须是配体链(不支持蛋白质–蛋白质亲和力),而且 Boltz v2.2.x 将亲和力配体限制为最多 128 个原子。FASTA 输入完全无法请求亲和力预测。
msa: empty 会损失准确度,而不能节省内存
其他地方曾建议使用单序列模式来适配显存较小的 GPU,但这并没有帮助:MSA 搜索运行于 CPU,因此使用 --use_msa_server 还是 msa: empty 不会改变峰值显存。如果出现 OOM,请降低 --diffusion_samples 或 --max_parallel_samples,或者改用 80 GB 显存规格;不要为此放弃 MSA、牺牲准确度。
缺少快速内核只会变慢,并非致命错误
如果 cuequivariance_ops_torch 或其 libcue_ops.so 出现 ImportError,说明编译后的三角形内核包不在加载器路径中。--no_kernels 会回退到参考 PyTorch 路径——速度大约慢 2 倍,但数值结果相同。因此,它适合用来解除一次性任务的阻塞,却不适合批量任务。
值得识别的错误
| 你看到的现象 | 含义/处理方法 |
|---|---|
Missing MSA's in input and --use_msa_server flag not set | 某条蛋白质链没有 MSA——添加 --use_msa_server,或在 YAML 中将 msa: 设置为一个 .a3m 文件路径。 |
ImportError: ... cuequivariance_ops_torch/libcue_ops.so | 快速内核 wheel 不可见——添加 --no_kernels(更慢,但结果正确),或修复环境的 LD_LIBRARY_PATH。 |
读取置信度 JSON 时出现 KeyError: 'iptm' | 输入只有一条链——ipTM 仅用于界面;请改为读取 ptm。 |
输出中没有 affinity_*.json | 使用了 FASTA 输入,或者 YAML 缺少 properties: 块——参见上面的“亲和力预测头”。 |
下一步: 对通过筛选的复合物计算空间冲突和界面指标,或者将它们重新交给 proteinmpnn,开始下一轮设计。
详细信息
作者
Anthropic
许可证
Apache-2.0
第三方软件、内容、条款和信息
所属插件
安装该插件会一并获得同领域的 31 个 Skill / MCP。
同插件的其他科研 Skill
- AlphaFold2 蛋白质结构预测使用 ColabFold 运行器和 AlphaFold2/AlphaFold2-Multimer 预测蛋白质单体、多聚体与复合物结构,并通过 pLDDT、ipTM 和 RMSD 评估预测与设计质量。
- 生信论文写作助手按钮审批、本机R优先与生信论文质控交付
- BioServices 生信数据库助手统一访问生物信息数据库
- Borzoi 基因组调控预测使用 Borzoi 根据 DNA 序列预测全基因组功能轨迹(RNA-seq、CAGE、DNase、ChIP)。适用于评估变异对表达或染色质可及性的调控效应、生成某个基因组位点的预测覆盖轨迹,或根据预测轨迹差值确定非编码变异的优先级。
- bulk RNA-seq 分析助手复现 bulk RNA-seq 分析流程
- Chai-1 复合物结构预测使用 Chai-1 基础模型(Chai Discovery,2024,github.com/chaidiscovery/chai-lab)预测蛋白质、核酸和小分子复合物结构。适用于从单个 FASTA 预测抗体—抗原或蛋白质—配体复合物、将设计的结合蛋白重新折叠并作为 AlphaFold-Multimer 的替代方案,或通过 Python 在 GPU 上执行批量共折叠任务。
- 肿瘤枢纽基因课题规划规划传统肿瘤生信课题
- deepTools NGS 信号分析生成 NGS 质控和信号图
- DiffDock 小分子对接使用 DiffDock-L(Corso 等,2023/2024)预测小分子结合姿势。它通过盲扩散对接,在无需预定义搜索框的情况下将配体放入蛋白质口袋,并使用学习得到的置信度模型对样本排序。适用于将 SMILES 或 SDF 对接至 PDB、为小型片段库生成排序后的三维姿势,或为后续重打分生成起始姿势。DiffDock 预测几何构象,而非亲和力。
- ESMFold2 全原子共折叠使用 Biohub ESMFold2/ESMFold2-Fast 进行全原子共折叠,支持单序列和 MSA 模式以及蛋白质、DNA、RNA、配体(CCD/SMILES)和修饰残基;FoldBench 抗体–抗原 DockQ 通过率为 50–55%,PPI 为 70–77%。也覆盖同一版本的 ESMC-{300M,600M,6B} 蛋白质语言模型,包括掩码语言模型 logits、隐藏状态、突变评分、接触预测和 SAE 可解释性预测头。适用于预测单序列输入的复合物结构、使用 ESMFold2-Fast 验证设计结合蛋白、运行 MSA 输入、获取 ESMC 嵌入或逐残基突变分数,以及选择符合论文吞吐设置的内核后端和采样步数。
- Evo 2 基因组基础模型使用长上下文基因组基础模型 Evo 2 对 DNA 序列进行评分、嵌入和生成。适用于计算逐核苷酸或逐序列似然以评估变异效应、嵌入基因组窗口供下游分类使用、根据前缀生成 DNA,以及跨物种评估调控区或编码区。
- ESM-2 蛋白质语言模型使用 Meta AI 的 ESM-2(`fair-esm` 软件包)生成蛋白质嵌入。适用于提取残基级或序列级嵌入供下游机器学习使用、进行掩码语言模型似然或突变效应评分,以及根据序列预测接触图。
- gget 生信检索助手跨生信数据库检索基因蛋白信息
- 治疗适应症研究档案生成治疗适应症档案,覆盖患者人群、流行病学、疾病生物学、标准治疗、监管先例和里程碑式临床试验。
- LigandMPNN 配体环境蛋白设计使用 LigandMPNN(Dauparas 等,2023)在配体、核酸和金属环境下对蛋白质骨架进行逆折叠。适用于重新设计结合口袋中围绕已结合小分子或辅因子的残基、设计必须保持几何构型的金属配位位点,或从任意 MPNN 运行中获得穿线了设计序列的 PDB。
- 科学文献综述查找、核验并综合科学文献——从“X 领域的奠基性论文是哪篇”到完整的多来源综述。涵盖以真实检索到的来源支撑论断、避免伪造引文、处理撤稿,以及根据证据强度校准置信程度。
- 医学文献精读助手精读医学文献并提取关键信息
- Methods 段落写作助手改写可投稿的 Methods 段落
- 科研晨间简报将用户的晨间简报渲染为有样式的 HTML 产物,或将其设置为工作日循环任务。仅当用户明确要求运行、查看或设置晨间简报,或明确调用 /morning 时使用;仅询问当天安排、日程或日历并不构成晨间简报请求,应直接回答。
- OpenFold3 复合物结构预测使用 OpenFold3 进行结构预测。OpenFold3 是 AlQuraishi 实验室开发的 AlphaFold3 开放权重 PyTorch 复现。适用于使用 Apache-2.0 许可的 AF3 复现模型预测蛋白质、核酸和配体复合物结构。
- 通路富集分析助手执行通路和基因集富集分析
- ProteinMPNN 蛋白质序列设计使用 ProteinMPNN(Dauparas 等,2022,github.com/dauparas/ProteinMPNN)将蛋白质骨架(PDB 结构)逆折叠为氨基酸序列。适用于对 RFdiffusion 骨架进行序列设计、在固定界面残基的同时重新设计 PDB 中的一条链,或生成跨温度采样的序列集合供下游折叠使用。
- PyDESeq2 差异表达分析分析 bulk RNA-seq 差异表达
- QTL 共定位研究规划设计 QTL 与 GWAS 共定位分析
常见问题
Boltz 生物分子共折叠能做什么?
使用 Boltz-2 预测蛋白质、核酸和小分子复合物结构(Passaro、Wohlwend 等,2025)。适用于针对靶标验证设计的结合蛋白、将蛋白质与 SMILES 或 CCD 配体共同折叠,或使用可选的结合亲和力预测功能获得开源 AlphaFold3 替代方案。
如何安装Boltz 生物分子共折叠?
在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「Boltz 生物分子共折叠」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。
Boltz 生物分子共折叠需要哪些权限?
该科研 Skill没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。
Boltz 生物分子共折叠经过官方审核吗?
是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。