今天和大家分享一篇来自MIT与EPFL团队的预印本工作“BOLTZDESIGN1: INVERTING ALL-ATOM STRUCTURE PREDICTION MODEL FOR GENERALIZED BIOMOLECULAR BINDER DESIGN”。这篇文章的出发点很直接：既然AlphaFold3类模型已经能预测蛋白、小分子、核酸、金属离子和修饰残基之间的全原子相互作用，为什么不能把它反过来，用来设计这些分子的binder？
过去，BindCraft已经证明了“反向利用AlphaFold2”可以做蛋白binder设计；但AF3/Boltz-1这一类模型多了一个diffusion structure module，如果直接穿过200步diffusion反向传播，显存、时间和梯度稳定性都会变得很糟。BoltzDesign1的关键选择，就是绕开最贵的结构扩散反传，只利用Pairformer和Confidence module来优化序列。
这篇工作真正有意思的地方，不是又做了一个只能打蛋白靶点的设计器，而是把目标范围扩展到小分子、金属、DNA/RNA、共价修饰蛋白甚至蛋白本身。换句话说，作者想做的是一个更广义的biomolecular binder design框架。
1 摘要
BoltzDesign1基于Boltz-1，也就是一个开源的AlphaFold3类全原子结构预测模型。作者没有重新训练模型，而是把已有预测模型“倒过来用”：从随机或连续序列表示出发，通过反向传播不断更新binder序列，让模型预测出更可信、更稳定的目标-binder复合物。
方法上，BoltzDesign1的核心不是直接优化某一个采样出来的三维结构，而是优化Pairformer输出的distogram，也就是原子/残基距离分布。作者认为，distogram本质上代表了diffusion module后续会采样的结构概率空间；直接优化这个分布，比穿过完整diffusion过程优化单一结构更省算力，也更稳定。
结果上，BoltzDesign1在IAI、FAD、SAM、OQO四个小分子任务上，相比RFdiffusionAA获得了更高的AlphaFold3 in silico成功率，并且生成的结构更多样。作者还进一步展示了铁、锌、B-DNA、磷酸化位点和糖基化位点binder的设计案例，说明这套思路确实具备跨biomolecule类型的扩展潜力。
2 这篇文章真正解决的问题：AF3类模型太强，但直接反传太贵
AlphaFold2时代的binder hallucination相对直接：Evoformer后面接structure module，损失可以一路反传回输入序列。BindCraft就是利用这个特点，不断优化输入序列，让AF2预测出高置信度的目标-binder复合物。
但到了AlphaFold3/Boltz-1这类模型，结构生成路径变复杂了。Pairformer之后还要经过diffusion module，通常要跑上百步denoising才得到全原子结构。如果每一步都参与反向传播，计算成本和显存都会非常高，而且长链条反传还容易出现梯度衰减或不稳定。
BoltzDesign1的做法就是抓住中间层：既然Pairformer已经把目标和binder的成对关系编码进distogram里，那就没有必要每次都穿过完整diffusion。直接让distogram朝着“更强接触、更高置信”的方向变化，就可以大幅降低计算成本。
3 方法总览：只用Pairformer和Confidence，也能做全原子binder设计
如图1所示，黑色箭头是Boltz-1原本的结构预测路径，红色箭头则是BoltzDesign1的loss反传方向。目标分子和binder序列先进入Pairformer trunk，得到single representation和pair representation；随后模型输出distogram，并可进一步通过Confidence module计算pLDDT、PAE、pTM等置信度指标。
作者提出了三条可以反传的路径：第一条是从distogram loss回传到Pairformer再到序列；第二条是从Confidence module直接回传到序列；第三条是从Confidence module回传到Pairformer。关键处理是对diffusion module做stop-gradient，让结构采样本身不成为反传瓶颈。
LigandMPNN在这里是可选模块：既可以在BoltzDesign1生成初始复合物后重新设计序列，也可以先用LigandMPNN的输出logits初始化序列，再继续让BoltzDesign1联合优化结构和序列。图1B则展示了这套框架的目标范围：小分子、DNA/RNA、金属、共价修饰和蛋白binder都可以被纳入同一个设计逻辑。
4 为什么distogram可以当优化核心：它已经抓住了大部分接触信息
BoltzDesign1能不能成立，首先取决于一个问题：只看Pairformer的distogram，是否已经足够知道binder和target怎么接触？图2就是在回答这个问题。作者把Pairformer distogram预测的contacts、diffusion module生成结构中的contacts，以及AF2/AF3预测模型里的真实contacts做了对比。
结果显示，在BindCraft论文中的212个成功binder上，Pairformer对inter-chain contacts的捕捉相当不错。约76%的设计P@K高于0.5；Pairformer recycling从0增加到3步时，P@K还能继续提升，但再往后提升不明显。
更重要的是，distogram contact loss与模型置信度之间存在清晰相关。对于蛋白-蛋白和蛋白-小分子体系，binder intra-contact loss与pLDDT、inter-chain contact loss与inter-PAE都有较强相关性。也就是说，在这些任务里，distogram loss基本可以当作一个轻量的confidence proxy。核酸体系则弱一些，说明更复杂的DNA/RNA设计仍然需要Confidence module或结构采样提供额外判断。
5 小分子binder：在IAI、FAD、SAM、OQO上超过RFdiffusionAA
作者首先选择RFdiffusionAA论文中验证过的四个小分子任务：IAI、FAD、SAM和OQO。这样做的好处是比较公平，因为这几个目标已经是generalized biomolecular design里的经典测试集。
如图3B-C所示，BoltzDesign1能够为四个小分子都生成合理binder，并在结合口袋里形成氢键、疏水作用和pi-pi相互作用。更重要的是，BoltzDesign1和AF3给出的复合物结构有较好重叠，说明设计结果不是只被Boltz-1自己“骗过”，跨模型也能保持一定一致性。
图3D是这一节的核心结果。无论只用Pairformer，还是同时加入Confidence module，BoltzDesign1在四个小分子上的AF3成功率都高于RFdiffusionAA。作者采用的成功标准包括complex pLDDT>0.7与ipAE<10，或更宽松的ipAE<15。尤其是加入Confidence module后，三个小分子任务的成功率进一步提升。
6 设计不只是成功率高，还要结构多样：BoltzDesign1的另一个优势
一个binder设计方法如果只会生成高度相似的结构，即使成功率高，后续优化空间也会很窄。因此作者进一步比较了BoltzDesign1和RFdiffusionAA的结构多样性。
如图4A所示，BoltzDesign1在四个小分子任务中生成的设计平均pairwise TM-score为0.36，而RFdiffusionAA约为0.46。TM-score越低，说明同一组设计之间越不相似，因此BoltzDesign1给出的scaffold空间更分散、更有探索价值。
图4B-C则展示了loss项对二级结构的可控性。作者通过调整helix loss weight，使模型从更偏helix的结构逐步生成更多beta-sheet内容。这个结果很重要，因为它说明BoltzDesign1不只是一个“自动出结果”的黑箱，还可以通过定制loss去调节设计的二级结构分布。
7 从小分子走向广义biomolecule：金属、DNA和翻译后修饰都能设计
图5是整篇文章最能体现“generalized biomolecular binder design”的部分。作者不仅做了小分子，还把目标扩展到金属离子、核酸以及蛋白翻译后修饰位点。
金属设计中，作者选择了铁和锌两个具有明确生物意义和配位几何特征的目标。BoltzDesign1生成的binder能够围绕金属离子形成预期的配位环境，并使用Tyr、Asp、His等常见金属结合残基；随后再用AllMetal3D检查金属身份和配位合理性。
核酸方面，作者选择B-DNA作为测试对象。设计出来的binder与DNA双螺旋具有较好的shape complementarity，并且在界面处富集正电分布，能够与磷酸骨架和部分碱基形成氢键。 翻译后修饰方面，作者展示了三个例子：PCNA Tyr-211磷酸化位点、Smad2 Ser-201/Ser-203磷酸化位点，以及CD45 Asp-101糖基化位点。这里的关键在于，模型可以通过接触约束和one-hot token指定修饰位置，让binder既识别修饰基团，也同时接触目标蛋白表面。
8 这篇文章真正有意思的地方：不是“又一个binder模型”，而是把预测模型变成全原子设计器
BoltzDesign1的核心贡献不是提出一个全新架构，而是展示了一种非常实用的策略：不微调模型，不重训扩散网络，而是直接反向利用已经学会全原子相互作用的结构预测模型。对于资源有限的团队来说，这个思路比重新训练一个RFdiffusionAA类模型更现实。
更重要的是，它比传统backbone生成模型更适合处理flexible ligand。RFdiffusionAA等方法通常固定ligand构象，而BoltzDesign1每轮都可以让ligand和binder一起被模型重新预测，因此更接近induced fit的真实场景。对于没有可靠ligand bound PDB构象的小分子或修饰位点，这个优势很明显。
当然，这篇工作目前仍主要是in silico验证，还没有实验binding数据。作者自己也指出，使用同一个模型做设计和预测可能带来过拟合或模型偏差，因此他们额外用AF3做交叉验证，但这仍不能替代真实实验。核酸设计也是一个弱点，因为distogram loss和confidence score的相关性不如蛋白和小分子体系清晰。
9 讨论与展望
整体来看，BoltzDesign1给出的路线很适合当前这个阶段的biomolecular design：AF3类模型刚刚开始普及，大家都想用它做设计，但又不可能每个实验室都重新训练一个全原子生成模型。BoltzDesign1证明了一个中间方案是可行的——直接倒用结构预测模型，在 Pairformer/Confidence层面做高效优化。
对做蛋白binder、小分子结合蛋白、金属酶设计或者修饰位点识别的人来说，这篇文章的意义不在于某一个小分子任务的成功率，而在于它把这些任务放进了同一套设计接口里。只要目标能被Boltz-1表示，理论上就可以通过contact constraints和distogram/confidence loss去设计binder。
下一步真正决定这条路线价值的，不是再多跑几个benchmark，而是实验验证。尤其是小分子和PTM binder，如果能有一批真实亲和力、选择性和结构数据，BoltzDesign1才能从一个漂亮的in silico框架，变成真正可用的实验设计工具。
原文链接
https://www.biorxiv.org/content/10.1101/2025.04.06.647261v1.full
往期文章
npj Drug Discov｜用于GPCR的基于结构的药物发现