BoltzGen: Toward Universal Binder Design
Stark, Faltings, Choi, Xie, Hur et al. (MIT/Boltz/NVIDIA) — bioRxiv 10.1101/2025.11.20.689494 — 2025年11月
🎯 全原子拡散モデルで任意生体分子ターゲットへのバインダー設計
新規9標的でナノボディ・タンパク両モダリティ 66% nM成功率
① 背景と課題

既知バインダー構造のない「新規ターゲット」へのde novoバインダー設計は計算創薬の最難関課題。従来手法（RFdiffusion等）は構造生成と配列最適化を別モジュールで実行するため整合性確保が困難。小分子・核酸・無秩序タンパク等の多様なターゲットモダリティへの対応も限定的。

RFdiffusion等の既存手法：ターゲットの3D構造依存、設計と予測の非同期が品質低下要因
既知バインダー構造のない新規ターゲットへの汎用対応は未解決

→ Boltz-2の構造予測能力を生成モデルに直接統合し、構造予測+配列設計を単一モデルで実行するBoltzGenを提案

② 手法: Unified Design + Structure Prediction
ターゲット構造/配列入力
↓ Trunk（PairFormer）条件付け
↓ 設計残基: 14原子幾何エンコーディング
↓ Diffusion Module（atom×3 + token×24 + atom×3）
↓ 全原子座標生成 + アミノ酸種デコード

Boltz-2と同一SDEで構造+配列を同時生成。離散/連続混在なし。

② 手法: 設計パイプライン
60,000候補生成
↓ Inverse Folding（SolubleMPNN改変）
↓ Boltz-2リフォールディング
↓ ipTM/pTM + H結合/塩橋/SASA
↓ Worst-rank QD選択 → 最終15候補

Quality-Diversity選択でTM-score+配列類似度のDiversity確保

③ 主な貢献
  • 構造予測と設計を単一拡散モデルで統合
  • 幾何的アミノ酸エンコーディングで連続空間設計
  • 8ウェットラボキャンペーン・26ターゲットで実証
  • 新規9ターゲットで66% nMバインダー取得
  • コード・重み・実験データを完全公開
④ 主な結果 (a) 新規ターゲット成功率
バインダーモダリティ別成功率 100% 75% 60% 50% 0% 66% Nb 新規 66% Protein 新規 80% Nb 既知 80% Protein 既知
④ 主な結果 (b) 新規ターゲット別アフィニティ（ナノボディ）
ターゲット最良KD (nM)結果
PHYH (2a1x)6.1✅ nM hit
PMVK (3ch4)7.8✅ nM hit
IDI2 (2pny)99✅ nM hit
MZB1 (7aah)120✅ nM hit
HNMT (1jqd)520✅ nM hit
RFK (1nb0)—✅ nM複数
AMBP / GM2A / ORM2—❌ バインダーなし

6/9ターゲットでnMバインダー → 成功率66%

④ 主な結果 (c) 幾何的アミノ酸エンコーディング
14原子表現によるアミノ酸エンコーディング Backbone（固定・4原子） N · Cα · C · O Placeholder（可変・10原子） アミノ酸種→幾何配置で決定 → Pro: O原子に7個重ねる Thr: N×3 + O×4 Gly: 側鎖なし(0個) 0.5Å閾値で判定 利点: 離散/連続混在なし → 拡散モデルで構造+配列を同時最適化 設計トークンのvirtual atomsを通常の拡散プロセスで処理可能
④ 主な結果 (d) Quality-Diversity選択

worst-rank aggregationによる多指標品質スコア

指標重み
design_iptm1
design_ptm2
neg_min_design_pae1
plip_hbonds2
plip_saltbridge2
delta_sasa2

Greedy QD: TM-score+配列類似度でDiversity確保しながらk=15選択

⑤ テイクホームメッセージ
🧬 Universal Binder Design
タンパク・核酸・小分子ターゲットへ、ナノボディ・環状ペプチド・タンパク等の多様モダリティで対応可能。
⚗️ 8ウェットラボで実証
26ターゲット・8独立キャンペーンで実験的検証。新規9標的でpM〜nMバインダーを実取得。
🔗 設計+予測の統合
構造予測（Boltz-2）と配列設計を単一拡散モデルで実行。幾何エンコーディングで連続空間設計。
📦 完全オープンソース
コード・重み・実験データ（SPR/BLI）を完全公開。バインダー設計基盤として即座に活用可能。
ケムインフォマティクスへの応用
適用先ユースケース
lib/molgenタンパクバインダーhit-finding機能としてJobManagerに統合
lib/dockingQD選択アルゴリズムをProLIFスコアに適用し多様候補取得
lib/fepBoltzGen生成ナノボディをMMGBSA評価で順位付け
実装上の注意
60,000候補生成は計算コスト大。少数（6本）では成功率低下
ベンチマーク高成功率は訓練データ中のモチーフ再利用バイアスの可能性
無秩序タンパク・小分子ターゲットでは設計困難ケースあり
Stark, Faltings, Choi et al. — doi:10.1101/2025.11.20.689494 — MIT/Boltz/NVIDIA (2025) · github.com/HannesStark/boltzgen · Category: computational_chemistry