Boltzina：通过 Boltz-2 的对接引导绑定预测实现高效且准确的虚拟筛选
生物大分子
2025-08-26 v1 计算工程、金融与科学
机器学习
定量方法
摘要
在基于结构的药物发现中，使用常规分子对接方法进行虚拟筛选可快速完成，但在预测精度方面存在局限。最近提出的 Boltz-2 取得了极高的结合亲和力预测精度，但每compound每GPU 需要约 20 秒，难以应用于数十万至数百万化合物的大规模筛选。本研究提出 Boltzina，一种新型框架，利用 Boltz-2 的高精度，同时显著提升计算效率。通过省去 Boltz-2 架构中限制性的结构预测，直接从 AutoDock Vina 对接构象预测亲和力，Boltzina 在准确性和速度方面实现了双赢。我们在来自 MF-PCBA 数据集的八个 assay 上的评估表明，尽管 Boltzina 的性能低于 Boltz-2，但在 AutoDock Vina 和 GNINA 之上提供了显著更好的筛选性能。此外，Boltzina 通过减少循环次数和批处理，实现了最高可达 11.8 的加速。进一步，我们研究了多构象选择策略和结合 Boltz-2 的两阶段筛选，根据应用需求提出准确性和效率的优化方法。本研究首次尝试将 Boltz-2 的高精度预测应用于实际规模的筛选，提供了一个兼具精度与效率的计算生物学管道。Boltzina 可在 github 上获取；https://github.com/ohuelab/boltzina。
引用
@article{arxiv.2508.17555,
title = {Boltzina: Efficient and Accurate Virtual Screening via Docking-Guided Binding Prediction with Boltz-2},
author = {Kairi Furui and Masahito Ohue},
journal= {arXiv preprint arXiv:2508.17555},
year = {2025}
}