AbSeek™引入 Boltz-2：迈向物理可控与多模态融合的结构预测时代

行业洞察

在抗体药物研发、结构生物学与 AI for Science 场景中，结构预测正在从“单一静态结构输出”走向“可控、可解释、可与实验数据协同”的新阶段。对于抗体–抗原复合体、蛋白–核酸体系和蛋白–小分子结合体系而言，研究者不仅需要预测三维构象，还需要理解界面接触、分子柔性、实验约束与物理合理性之间的关系。

传统流程往往依赖模板匹配、docking、多轮物理优化与人工筛选，容易在复杂多链体系中面临效率低、输入割裂、后处理成本高等问题。能够在统一框架下融合序列、实验信息与物理约束的结构预测模型，正在成为抗体发现、蛋白设计和分子组装研究中的关键基础设施。

导语

基于上述行业需求，AbSeek^TM 智能计算平台现已正式部署 Boltz-2 —— 一款由 MIT CSAIL 与 Valence Labs 团队联合研发的结构生物学基础模型。

Boltz-2 是 Boltz 系列的最新一代模型，它在多分子体系结构预测上实现了重要升级：不仅提升了蛋白–蛋白、抗体–抗原、蛋白–核酸等复合体系的建模精度，还引入了可控建模（controllable modeling）与多模态数据融合（multi-modal integration）机制，使预测结果更贴近真实的生物物理特性。

这一部署标志着 AbSeek^TM 平台进入“物理驱动的结构生成”阶段——模型不仅能预测结构，也能在实验数据与物理约束的引导下理解结构的动态与约束，为抗体药物研发提供更可信的结构基础。

图1. AbSeek^TM 上的 Boltz-2 工具页面

Boltz-2 是什么？

Boltz-2 是一款多模态、可控的生物分子结构预测基础模型（foundation model for biomolecular structure prediction），能够从序列信息、实验数据与物理约束中生成高精度、具备物理合理性的三维结构。

在架构上，Boltz-2 延续了 AlphaFold 与 Boltz-1 的共折叠（co-folding）思路，并进一步引入三项核心创新：

• 方法条件化（Method Conditioning）：模型可根据不同实验方式，如 X-ray、NMR、MD 等，调整结构分布，使预测结果与数据来源保持一致。
• 多链模板与约束融合（Template & Distance Conditioning）：支持多链模板输入与距离约束，可融入表位、交联或实验测距信息。
• Boltz-Steering 物理修正机制：在推理阶段自动施加物理势能约束，减少立体冲突与化学错误，使生成结构更接近实验可用状态。

在公开评测中，Boltz-2 在多种复合体系上展现出领先性能：

• PDB 多模态集合：结构精度全面优于 Boltz-1，并与 AlphaFold-3 持平；
• 抗体–抗原复合体系：预测成功率明显提升，尤其在无模板场景下仍保持较高 DockQ 指标；
• 蛋白–DNA/RNA 模型：通过大规模蒸馏训练（distillation），在核酸结合体系中获得显著增益。

Boltz-2 让结构预测从“静态还原”走向“动态理解”，进一步推动从序列到结构的物理一致性建模。

Boltz-2 部署后，AbSeek^TM 平台有哪些新变化？

1. 从单一预测到可控生成

在传统建模流程中，研究者往往依赖 docking、模板匹配或多步优化，不仅耗时，而且对输入条件依赖较强。Boltz-2 的引入让这一流程变得更加直接：研究者可以输入抗体与抗原序列，并根据任务需要设置距离约束、口袋约束与原子共价键约束。

这些控制能力使研究者可以“引导”模型生成更符合预期的结构类型，让结构预测从被动输出转变为面向实验假设的主动设计。

2. 动态结构预测：捕捉分子运动的真实形态

Boltz-2 的重要进步之一，是能够预测结构的动态多样性。得益于其在分子动力学（MD）数据上的条件化训练，模型能够学习蛋白的局部柔性与全局构象变化。

在 mdCATH 与 ATLAS 动力学数据集上的评测中：

• Boltz-2 的 RMSF 相关性（衡量局部动态与真实模拟一致性）超过 0.8；
• 预测多样性指标显著提升，可生成多个构象态的复合结构；
• 在保持结构精度的同时，能更好地展现“呼吸式”动态。

这意味着平台用户不仅能看到单一静态结构，还能获得分子在不同能量状态下的构象集合，为研究抗体可塑性、表位暴露与构象变异提供数据支持。

图2. Boltz-2 的模型性能图

3. 高物理一致性：Boltz-Steering 模块全面启用

结构预测的关键不只是“形似”，更要“物理合理”。Boltz-2 集成了 Boltz-Steering 推理机制，在生成过程中实时引入基于分子势能的修正，使预测结果具备更优的立体化学质量。

实验数据显示：

• Boltz-Steering 可减少约 70% 的原子冲突（steric clashes）；
• 对小分子复合结构，其几何完整性和手性保持率接近实验晶体标准；
• 在多链体系中，有效避免界面穿插或虚假接触。

这一机制使模型输出的结构可更顺畅地进入能量最小化或分子动力学分析阶段，从而缩短后处理流程。

图3. Boltz-2 的模型架构图

4. 全模态复合体系支持：覆盖更多研究场景

Boltz-2 的训练数据覆盖多种分子类型与相互作用模式，使平台可在统一框架下完成多种结构任务：

• 抗体–抗原复合体：支持从单序列直接建模至完整复合结构；
• 蛋白–小分子与多肽复合体：在不依赖模板的情况下生成对接位点；
• 蛋白–DNA/RNA 复合体：为核酸识别与结合构象预测提供支持。

平台也对接了相应的可视化与评价模块。在结构可视化界面中，可采用不同颜色区分 pLDDT，更直观地观察结构各区域的预测情况；同时统计 confidence score、PTM、iPTM 等指标，帮助用户快速筛选预测结果并评估模型置信度。

图4. 可视化模块

哪些用户需要使用 Boltz-2？

1. 生物制药企业

• 提升早期建模速度：单复合体预测可在 10 分钟内完成，支持更高效的候选结构筛选。
• 直接对接实验数据：在抗原–抗体筛选阶段即可纳入交联或表位约束信息。
• 提升结果可解释性：高物理一致性的结构可用于药效建模或设计验证。

2. 科研机构与高校实验室

• 降低建模门槛：无需编程技术，通过平台图形界面即可完成预测。
• 支持探索性研究：适用于新型抗体格式、嵌合蛋白或核酸结合蛋白研究。
• 扩展结构假设验证：可将实验约束与结构生成结合，用于快速验证构象假设。

从序列驱动到物理驱动，AbSeek^TM 平台完成结构预测跃迁

Boltz-2 的加入，使 AbSeek^TM 实现了从“序列驱动”到“物理驱动”的结构预测跃迁。研究者可以在同一环境中完成从序列输入、约束设置、结构生成到动态分析的全流程操作。

未来，平台将持续推动以下方向：

• 引入更多开放基础模型，增强多模态结构融合能力；
• 优化与实验约束的协同，使预测更贴近真实构象分布；
• 探索 AI 驱动的“结构–功能”关联建模，加速抗体发现与蛋白设计。

立即体验：在 AbSeek^TM 平台分子结构预测模块中选择 Boltz-2，上传序列或复合体信息，即可生成多构象、高物理一致性的三维结构。

开放合作：我们诚邀科研机构与产业伙伴共同探索 Boltz-2 在抗体工程、蛋白动力学及分子组装预测中的创新应用。

以智能计算理解分子结构之美，让 AI 结构预测成为生命科学创新的核心引擎。