Boltz-1: открытая модель для предсказания структуры биомолекулярных комплексов

Boltz-1 (https://huggingface.co/boltz-community/boltz-1) - первая доступная модель с открытым исходным кодом, которая достигает точности AlphaFold3 в прогнозировании 3D-структур белков, РНК, ДНК и небольших молекул. Boltz-1 основана на архитектуре AlphaFold3, но включает ряд модификаций, повышающих точность и общую эффективность модели.

Архитектура состоит из модуля множественного выравнивания последовательностей (MSA), модуля PairFormer и диффузионной модели, работающую на двух уровнях разрешения: тяжелые атомы и токены. Токены представляют собой аминокислоты для белков, основания для РНК и ДНК, а также отдельные тяжелые атомы для других молекул.

Boltz-1 использует диффузионную модель, аналогичную AlphaFold3, но Boltz-1 использует жесткое выравнивание с помощью алгоритма Кабша после каждого шага процедуры вывода, чтобы гарантировать, что интерполированная структура более похожа на очищенную от шума выборку. Это уменьшает дисперсию потерь денойзинга и предотвращает переобучение модели.

Обучение модели проводилось на структурных данных из PDB, выпущенных до 30 сентября 2021 года, с разрешением не менее 9?. Чтобы ускорить обучение, разработчики Boltz-1 применили алгоритм сопряжения MSA с использованием таксономической информации, унифицированный алгоритм кадрирования и алгоритм определения кармана связывания. Обучение модели заняло 68 тысяч шагов с размером пакета 128, что меньше, чем у AlphaFold3.

Оценка Boltz-1 была выполнена на датасете CASP15 и на наборе PDB, специально созданном разработчиками для тестирования.

Результаты показали, что Boltz-1 сопоставима по точности с Chai-1, закрытой репликацией AlphaFold3. Обе модели демонстрируют схожие показатели среднего LDDT и среднего TM-score.

Boltz-1 продемонстрировала преимущество в предсказании взаимодействия белок-лиганд на наборе данных CASP15.

Прикладная реализация инференса, доступная врепозитории на Github (https://github.com/jwohlwend/boltz), может принимать на вход форматы:

?Fasta file, для большинства кейсов использования;

?Комплексная YAML-схема для более сложных случаев;

?Каталог с файлами для пакетной обработки.

Подробные инструкции для процесса прогнозирования (https://github.com/jwohlwend/boltz/blob/main/docs/prediction.md) и дообучения (https://github.com/jwohlwend/boltz/blob/main/docs/training.md) опубликованы в репозитории с кодом.

??Локальный инференс:

# Install boltz with PyPI 
 
 pip install boltz 
 
 # run inference 
 
 boltz predict input_path

?Лицензирование: MIT License.

?Модель (https://huggingface.co/boltz-community/boltz-1)

?Техотчет (https://gcorso.github.io/assets/boltz1.pdf)

?GitHub (https://github.com/jwohlwend/boltz)

Источник: github.com

Комментарии: