一个复合物预测结果中,可能同时出现接近一的置信度、以埃为单位的位置偏差,以及一个可以为负的亲和力输出。这些数字回答的是不同问题,不能合成一句“结合效果很好”。本文实际运行 Boltz-2,以公开的 FKBP12 与小分子 SB3 复合物为例,分别核对输入、两份预测结构、独立的坐标比较和亲和力字段。读者可以用同样的顺序检查自己的结果,先确认每个数字衡量什么,再决定它能支持哪一步判断。
先确定参考对象,避免把旧结构当成独立测试集
本例参考结构为 1FKG,包含一百零七个蛋白残基和小分子 SB3。我们从参考文件提取蛋白序列,并逐位确认序列记录与具有坐标的蛋白残基一致。配体使用化学组分编号输入。结构中的水分子没有纳入本次预测,晶体坐标也没有作为模板或口袋约束输入模型。后面的坐标比较只评价实际建模的蛋白与配体部分。RCSB 的 1FKG 条目
这个结构在一九九四年就已公开,不能据此宣称完成了未见体系上的准确率测试。我们没有排除它或相近结构进入模型开发资料的可能性。因此,下面较小的坐标偏差用于演示如何核验输出,不用于估算新靶点的命中率。若研究目标是评价模型泛化能力,应另行规定时间切分、相似结构处理与评价集合,而不能只挑一个表现良好的旧结构展示。
这个边界同样影响文章最后如何选候选。一个已知复合物能够被重建到相近位置,说明这条输入与输出检查流程可以工作。面对一个尚未验证的组合,是否结合、在什么实验条件下结合,以及需要怎样的验证,仍然要分别回答。只有把教学例子与性能评价区分开,后面的数值才不会被赋予超出证据的意义。
YAML 中先核对序列、配体身份和计算对象
本次输入如下。A 是蛋白,B 是配体,亲和力计算明确指向 B。读者修改输入时,要同时检查这几个标识的对应关系,而不是只把配体名称替换掉就运行。
version: 1
sequences:
- protein:
id: A
sequence: GVQVETISPGDGRTFPKRGQTCVVHYTGMLEDGKKFDSSRDRNKPFKFMLGKQEVIRGWEEGVAQMSVGQRAKLTISPDYAYGATGHPGIIPPHATLVFDVELLKLE
msa: empty
- ligand:
id: B
ccd: SB3
properties:
- affinity:
binder: B
这里显式使用单序列模式,没有生成或提供多序列比对。官方文档不推荐将这种省略当作提高预测质量的方法,缺少进化信息可能降低表现。本例采用它是为了限定教学输入与计算范围,结果应连同这一条件一起解读。换成自己的蛋白以后,不能因为这个旧结构的结果较好,就推出所有目标都可以省略比对。官方输入规范
使用化学组分编号时,应确认编号对应的分子、键连接与立体化学符合研究对象。改用字符串描述分子时,也应核对手性、质子化和化学形式。一个看起来像同一名称的分子,不一定与参考结构中的具体形式相同。若比较时连重原子集合都不一致,直接计算逐原子位置偏差就失去了清楚的对应关系。
本例在比较前检查了配体的三十三个重原子,要求预测文件与参考文件的原子名称集合相同,并核对对应元素。这个步骤不是对所有化学等价性的完整判断,但能先排除拿错配体、遗漏原子或按文件行号错误配对的问题。自己的流程若会重排原子,应建立明确映射,再进入几何评价。
实际运行配置与一次没有完成的尝试
使用的官方源码提交为 b1ebfc46ecf57f5414e0d1a6f9027bbb122c53bc,软件版本为二点二点一。模型权重与化学组分缓存来自项目指定的地址,下载后记录校验值。环境采用 Python 三点十和 PyTorch 二点五点一的 CPU 构建,结构阶段请求两个样本,设置三次循环回收与二百个扩散采样步骤。亲和力阶段使用五个样本、二百个采样步骤,其内部回收次数由当前版本另外设置,不能把结构阶段的参数直接当作所有阶段的共同配置。
最初按命令行默认的混合精度运行,在这台处理器上持续计算约二十一分钟,仍未写出完整结构。抽样查看调用栈时,当时正在模型的成对表征网络中计算。这次尝试随后被主动终止,没有把它写成成功的预测,也没有把持续计算解释为死锁。
另一次运行明确将 CPU 计算精度设为三十二位浮点,继续使用同一源码、权重及其他输入参数。这个设置通过附件启动脚本显式传给计算框架,没有修改模型公式或权重文件。下文报告的是这次运行的结果。它与默认精度尝试不构成完整的速度对比,因为后者没有跑完,也没有经过重复计时。读者复现时,应保留实际精度、软件版本和输入设置,不能只记录一句“在 CPU 上运行”。本版本命令行实现
完整结构与亲和力推理的命令进程耗时约一千二百三十七秒。运行机器使用 AMD Ryzen 5 3600、Ubuntu 二十二点零四,计算线程设为两个,任务限制为两个逻辑处理器的总额度和二十四 GiB 内存。这个计时包含进程启动、预处理、模型加载与推理,所需下载和缓存已预先准备,不包含后续坐标审阅。它来自单次小体系运行,期间还曾与前述尝试短暂重叠,因此只作为复现记录,不能用来推算每小时稳定处理多少候选。
两份结构都很有信心,仍然要查坐标
程序按置信度对结构排序,因此文件名中的零号模型表示排在前面的结构,不应直接理解成最早生成的样本。我们保留了两份输出,而不是只挑其中更接近参考的一份。表格同时列出模型分数与实际坐标比较,便于看到它们各自的含义。
| 检查项 | 模型 0 | 模型 1 |
|---|---|---|
| 综合结构置信度 | 0.9690 | 0.9685 |
| 蛋白 Cα 叠合偏差 | 0.287 Å | 0.354 Å |
| 配体在蛋白对齐后的偏差 | 0.986 Å | 1.039 Å |
| 配体中心在对齐后的距离 | 0.382 Å | 0.396 Å |
蛋白比较使用全部一百零七个碳阿尔法原子,先进行刚体叠合,再计算对应位置的均方根偏差。配体比较则沿用这一次蛋白对齐得到的旋转和平移,将同样的变换施加到配体上,再比较三十三个对应重原子。这样得到的数字保留了配体相对蛋白的位置关系,适合检查配体是否处在参考结构附近。
如果把配体自己再单独叠合,评价的问题就变了。本例独立对齐配体后,两份结构的偏差约为零点八二一埃和零点八七八埃。这个数字可以反映分子自身形状的接近程度,却会消除它相对蛋白的整体位置与朝向差异。读者评价结合姿势时,不能用单独叠合后的较小数字替代蛋白坐标系下的比较,否则一个位置错误但形状相似的配体也可能看起来很好。
这里使用固定原子名称对应,没有对对称等价原子的置换寻找最小偏差。因此,指标名称与报告中都保留了这一说明。对于对称性明显的分子,可以另做对称映射处理,但应保存映射规则,并与当前结果区别记录。配体中心距离可以补充说明整体位移,却无法反映旋转或局部构象差异,也不能单独替代重原子比较。

两份结构的综合置信度只差约零点零零零五。这个差别不应被解读成某个模型在生物学上明确优于另一个,更不能直接转成活性差异。结构置信度的作用是帮助排序和定位模型较有把握的部分,真正与参考结构的偏差仍需要单独计算。没有实验参考时,也应检查局部几何、配体接触与不同样本的一致性,同时承认这些都是计算层面的证据。
亲和力结果中,概率与数值预测并不是同一种分数
Boltz-2 的亲和力输出包含两个主要字段。一个表示模型对该组合属于结合者的预测概率,另一个给出亲和力数值预测。官方说明二者训练目标与适用场景不同,前者适合用于区分候选结合者与对照,后者主要用于比较有活性分子的亲和力变化。不要把概率列当作浓度,也不要只因为另一列更负,就省略对是否结合的判断。官方亲和力字段说明
数值预测采用以微摩尔表示的半数抑制浓度,再取十为底的对数。若输出为负三,换算后是一千分之一微摩尔,也就是一纳摩尔。这只是说明单位关系的例子。换算时先明确浓度单位,再做指数运算,不能把负三直接读成常见的正向对数活性指标,更不能当成每摩尔千卡的结合能。
v = affinity_pred_value
预测 IC50(μM)= 10^v
预测 IC50(nM)= 1000 × 10^v
换成 pIC50 表达时 = 6 − v
本次输出的结合者预测概率约为零点九三二,数值预测为零点四七九四六。按上述单位换算,得到约三点零二微摩尔,也就是三千零一十六纳摩尔,换成正向对数表达则约为五点五二。这些都是模型预测,不能改写成已经测得的实验活性。尤其不能把接近一的结构置信度或较高的结合者概率解释成纳摩尔级的强结合,三列数字没有这种直接换算关系。
两个亲和力模型分量的数值分别约为零点三一七三和零点六四一六。本例未启用分子量校正,汇总值在对数尺度上取均值,再转换成浓度时,应对汇总值做指数运算,而不是先把两个分量转换成浓度再简单求平均。这两种算法一般不会给出相同答案。做批量整理时保留原始 JSON,并把单位换算放在一个明确的计算步骤中,避免不同表格各自采用不同公式。本版本亲和力汇总实现
这份输入产生的是一份亲和力汇总。当前实现从结构排序第一的结果准备亲和力计算输入,再运行相应模型,因此不能把两个结构文件与一份亲和力文件机械扩展为“两次独立亲和力实验”。输出中不同模型分量之间的差异,也不自动等于经过校准的置信区间。汇报时保留字段原名、计算设置及单位,比给所有数字统一冠以“结合分数”更清楚。结构写出与亲和力输入衔接
本例没有把预测值与匹配实验条件下的实测半数抑制浓度进行比较,因此无法由它估计亲和力数值误差。半数抑制浓度本身还依赖实验体系,不能在没有条件说明的情况下直接换成某个解离常数。若下一步要做候选排序,应先固定靶点、分子准备方式与评价规则,再用独立实验资料检查这些输出在当前任务中是否有用。
同一目录再次运行,先确认读到的是缓存还是新结果
完整预测完成后,我们保持输入和参数不变,再次使用同一个输出目录运行。日志明确说明已有结构和亲和力结果被跳过,预测目录中十二个文件的校验值全部保持不变。另一次单独计时的缓存复核约需三点六秒,计时只覆盖命令进程,不包括之后的文件与权重校验。这说明命令很快结束可以来自复用已有结果,不能把它报告成模型重新完成计算的速度。
管理实际项目时,可以把输入内容、模型版本、参数和输出目录建立明确对应。若修改配体、序列或采样参数,优先使用新的任务目录,或按官方说明明确要求覆盖并核对更新后的文件。不能只根据命令再次正常结束,就假定所有阶段都重新计算过。尤其在批量改参数时,旧输出混入新汇总,会让看似完整的比较实际上没有改变计算条件。
下载运行脚本、安装步骤、两份预测结构和独立坐标复核脚本。完整运行会使用模型权重和化学组分缓存。只希望理解坐标指标的读者,可以先使用已保存结构运行轻量复核,它只依赖 NumPy,并会检查参考文件与预测文件的校验值。
python3 235-boltz/coordinate_review.py \
--reference 1FKG.pdb \
--expected 235-boltz/expected.json \
--directory 235-boltz
完整预测的安装与启动方式如下。这里显式开启 CPU 三十二位精度,附件中的参数与本文一致。换用其他平台时,需要重新记录并验证环境,不应把这组教学配置当作适用于所有部署方式的固定模板。
bash 235-boltz/install_cpu.sh "$PWD/boltz_env"
boltz_env/env/bin/python 235-boltz/run.py \
--pdb "$PWD/boltz_env/1FKG.pdb" \
--cache "$PWD/boltz_env/cache" \
--out "$PWD/boltz_run" --cpu-fp32
Boltz-2 的便利之处是将生物分子输入、结构预测和特定亲和力任务连接成可操作的流程。使用时最需要保留的,正是各个环节的证据边界。序列与分子身份先对上,结构分数与几何指标分别检查,亲和力字段按正确单位和目标解释,最后再决定哪些候选值得进一步验证。这样增加候选数量时,扩展的是一条已经能够解释的分析流程。
需要批量运行经过这些检查的蛋白与配体组合时,可向云生信生物信息分析服务器说明模型版本、输入规模与候选数量,沟通相应的环境和计算安排。
