BoltzDesign1：把全原子结构预测模型反过来做通用 binder 设计

文献来源

论文标题： BoltzDesign1: Inverting All-Atom Structure Prediction Model for Generalized Biomolecular Binder Design 作者： Yehlin Cho, Martin Pacesa, Zhidian Zhang, Bruno E. Correia, Sergey Ovchinnikov 机构： MIT；École Polytechnique Fédérale de Lausanne / Swiss Institute of Bioinformatics 类型： bioRxiv 预印本，2025 年 4 月 6 日发布，尚未同行评审 代码链接： https://github.com/yehlincho/BoltzDesign1 核心任务： 利用 Boltz-1 这类 AlphaFold3-like 全原子结构预测模型，不经额外微调，设计能够结合小分子、核酸、金属离子、蛋白翻译后修饰位点和蛋白靶标的 binder。

导读

BoltzDesign1 的核心价值在于它把全原子结构预测模型 Boltz-1 反向用于 binder 设计：不重新训练扩散生成模型，也不直接穿过完整的 200 步结构扩散过程反传，而是主要利用 Pairformer 输出的 distogram 距离分布和 Confidence 模块的置信度信号来优化 binder 序列。这样，模型优化的不再是某一次采样得到的单个三维结构，而是更底层的原子距离概率分布。论文展示了该方法可用于小分子、金属离子、B-DNA 和翻译后修饰位点 binder 的计算设计，并在若干 in silico 指标上优于 RfDiffusionAA。它值得关注，但目前仍主要是计算验证，真实结合能力、亲和力、特异性和实验可转化性仍需湿实验支持。

为什么这篇论文值得关注？

过去两年，蛋白设计领域出现了两条非常清晰的路线。

第一条是生成式结构设计路线。典型代表是 RFdiffusion 和 RFdiffusionAA：模型直接生成蛋白骨架或全原子复合物结构，再通过 ProteinMPNN、LigandMPNN、Rosetta 或 AlphaFold 系列模型筛选设计结果。这类方法的优势是生成能力强，能够从头探索新的骨架空间；问题是通常需要专门训练或微调生成模型，而且在面对小分子、核酸、金属离子、翻译后修饰等复杂靶标时，统一建模并不容易。

第二条是结构预测模型反向优化路线。BindCraft 是这一类方法的代表：它不重新训练 AlphaFold2，而是把输入序列当成可优化变量，通过反向传播不断修改序列，使 AlphaFold2 对最终复合物给出高置信度预测。这个思路的本质是把预测模型变成可微分的设计打分器。论文也明确指出，BindCraft 利用 AlphaFold2 的 Evoformer 和结构模块，通过 pLDDT、pAE 等置信度指标迭代优化输入序列，并可加入 helix loss、radius of gyration loss 等自定义损失来控制结构性质。

BoltzDesign1 处在这两条路线的交叉点上。它借用了 BindCraft 式的 hallucination 思想，但底座不再是 AlphaFold2，而是 Boltz-1 这类 AlphaFold3-like 全原子结构预测模型。由于 AF3-like 模型可以处理蛋白、小分子、核酸、离子和翻译后修饰，理论上它为更加通用的 biomolecular binder 设计提供了统一表征基础。论文的关键问题是：既然全原子结构预测模型已经能够预测复杂生物分子相互作用，能不能把它反过来，用于设计能够结合这些复杂靶标的新蛋白？

这就是 BoltzDesign1 最值得写的地方：它并不是单纯生成一个蛋白骨架，而是在尝试把全原子结构预测模型改造成一个通用 binder 设计引擎。

研究背景：binder 设计为什么正在从蛋白-蛋白走向全原子 biomolecular design？

传统蛋白 binder 设计主要关注蛋白-蛋白相互作用。例如，给定一个蛋白靶标表面，设计一个能够贴合靶标表面的 scaffold 或小型蛋白 binder。这个问题已经很难，因为它涉及界面几何互补、疏水/极性分布、氢键网络、局部构象稳定性和整体折叠设计。

但真实生物体系远不止蛋白-蛋白相互作用。许多更有药物发现价值的场景包括：

• • 设计结合小分子的蛋白，用于生物传感器、酶工程、代谢调控；
• • 设计结合 DNA/RNA 的蛋白，用于转录调控、核酸识别或合成生物学；
• • 设计金属离子结合蛋白，用于催化或电子转移；
• • 设计识别磷酸化、糖基化等翻译后修饰的 binder，用于信号通路干预或疾病标志物检测；
• • 设计能够同时识别蛋白结构和非标准化学基团的复合界面。

这些任务比普通蛋白-蛋白 binder 设计更复杂，因为靶标不是单一蛋白链，而是包含不同化学类型、不同尺度、不同自由度的对象。小分子有可旋转键和构象变化，金属离子有配位几何，核酸有带负电的磷酸骨架和碱基特异性，翻译后修饰则把共价化学基团嵌入蛋白上下文中。AlphaFold3、RoseTTAFold-All-Atom 和 Boltz-1 等全原子结构预测模型的出现，使这些体系可以被放入统一的结构预测框架中。论文也指出，AF3 和 RoseTTAFold-All-Atom 将结构预测能力从蛋白扩展到小分子、离子、核酸以及磷酸化、糖基化等翻译后修饰。

因此，BoltzDesign1 的背景不是单纯做一个新 binder，而是把蛋白设计问题从蛋白链之间的几何匹配，推进到跨分子类型的全原子相互作用设计。

3. 以往方法卡

3.1 生成式模型：能力强，但需要专门训练

RFdiffusion、RFdiffusionAA 这类方法通常通过扩散模型直接生成结构。优点是能够探索新骨架，并可在一定条件下围绕 motif、界面或配体进行设计。问题是，生成模型要覆盖越多分子类型，训练复杂度越高；一旦扩展到小分子、核酸、金属、修饰残基，模型既要理解蛋白折叠，又要理解非蛋白原子的几何与相互作用规则。

此外，很多生成式方法在设计小分子 binder 时会固定配体构象，即把小分子当作相对刚性的靶标。这样做可以降低问题难度，但真实小分子在结合过程中常常会改变构象，蛋白 pocket 也可能对配体产生诱导契合。论文特别强调，RfDiffusionAA 在采样过程中维持固定配体构象，而 BoltzDesign1 在每轮迭代中允许采用新的配体构象，这是两者的重要差别。

3.2 反向优化结构预测模型：灵活，但 AF3-like 模型反传成本太高

BindCraft 证明了一个很有启发的方向：不一定要训练生成模型，可以直接利用已经学到丰富结构规律的预测模型，通过反向传播优化输入序列。问题在于，AlphaFold2 的结构模块相对适合做这种反向传播，而 AF3-like 模型在 Pairformer 之后还接了扩散结构生成模块。

论文指出，AF3-like 模型通常在 MSA 和 Pairformer 处理之后，通过扩散模块生成结构；如果要穿过完整扩散模块反向传播，200 步扩散过程会带来很高计算和显存成本，也可能出现梯度消失，并且它只对应 pair feature 概率分布中的一个采样结构。

这就是 BoltzDesign1 的核心切入点：不直接优化完整三维结构采样结果，而是优化扩散模块之前的 Pairformer distogram，也就是原子或残基对之间距离的概率分布。

这篇论文的核心思想：优化距离分布，而不是追逐单个结构

BoltzDesign1 的技术假设可以概括为一句话：

如果 Pairformer 输出的 distogram 已经编码了 binder 与靶标之间足够多的接触信息，那么可以绕开昂贵的扩散结构模块，通过优化 distogram 和置信度信号来设计序列。

在原始 Boltz-1 预测流程中，输入包括目标分子和 binder 序列，模型经过 Pairformer 生成 single representation 和 pair representation，再由扩散结构模块生成三维原子坐标，最后由 Confidence 模块评估 pLDDT、PAE、pTM 等置信度。BoltzDesign1 把这个流程反过来：将 binder 序列 logits 作为可优化变量，让损失从 distogram 或 Confidence 模块反传回序列。论文图 1A 用黑色箭头表示原始预测方向，用红色箭头表示损失反传方向；图 1B 展示了小分子、DNA/RNA、金属、翻译后修饰和蛋白等适用对象。

这个设计有两个重要含义。

第一，模型不再依赖对完整扩散过程的反向传播。BoltzDesign1 可以只用 Pairformer，也可以加入 Confidence 模块联合优化，但会对 Diffusion Module 使用 stop-gradient，避免梯度穿过扩散采样过程。这样保留了结构采样对置信度评估的帮助，同时避免把 200 步扩散变成训练时的反传负担。

第二，优化对象从一个确定结构变成距离分布。distogram 表示残基或原子对距离落入不同距离区间的概率。作者认为，直接塑造这个距离概率分布，比只调整某个采样出的三维结构更稳健，因为后者可能只是概率分布中的单次样本，而前者更接近模型对结构空间的内部信念。

5. 方法细节：BoltzDesign1 到底怎么做？

5.1 任务定义与输入输出

BoltzDesign1 的输入可以理解为两部分：一个固定或带约束的靶标，以及一个待设计的 binder 序列。靶标可以是小分子、蛋白、DNA/RNA、金属离子或带翻译后修饰的蛋白位点。binder 初始不是一个确定氨基酸序列，而是一组可优化的 amino acid logits，每个位置对 20 种氨基酸都有连续概率表示。

模型的输出包括：

1. 1. 经过优化后的 binder 序列；
2. 2. Boltz-1 或 AF3 预测的复合物结构；
3. 3. 界面接触、pLDDT、i-pAE 等置信度指标；
4. 4. 可选的 LigandMPNN 重设计序列；
5. 5. 用于筛选的 cross-model consistency、自洽性、Gnina docking score 和结构多样性等指标。

5.2 数据表示：single representation、pair representation 与 distogram

BoltzDesign1 依托 Boltz-1 的全原子建模能力。模型内部有两类关键表征：

single representation，记作 s。 它描述每个 token 或残基自身的信息，可以理解为每个位置的局部状态。

pair representation，记作 z。 它描述两个 token 或残基之间的关系，是结构预测模型理解相互作用的关键。界面接触、距离约束、几何互补，很大程度上都通过 pair 表征体现。

Pairformer 根据输入序列和靶标信息更新 s 和 z，并输出 distogram。distogram 可以理解为一张距离概率图：对每一对残基或原子，模型给出它们距离落入不同区间的概率。论文中 distogram 的距离区间从 2 到 22 Å，共 64 个 bins；当距离低于指定 cutoff 时，就可被视为接触。作者设置 binder 内部接触 cutoff 为 14 Å，binder-靶标之间 inter-contact cutoff 为 22 Å。

这个表示的优势是计算上比三维坐标更轻，同时保留了折叠和结合界面最重要的几何信息。它的局限也很清楚：distogram 主要描述成对距离，不能完全表达方向性、角度、金属配位几何、氢键方向、π-π 堆积、溶剂效应和多体相互作用。

5.3 模型结构：只用 Pairformer，或 Pairformer 加 Confidence

BoltzDesign1 有两个版本。

版本一：Pairformer-only。 模型只通过 Pairformer 计算 distogram，并根据接触损失优化 binder 序列。这个版本最快，目标是让 binder 内部形成合理长程接触，同时让 binder 和靶标形成足够可信的界面接触。

版本二：Pairformer + Confidence。 模型先用 Pairformer 得到 s 和 z，再用结构模块生成三维坐标，但对结构模块 stop-gradient，不让梯度穿过扩散采样。随后 Confidence 模块使用三维结构、Pairformer 输出和输入序列计算置信度分数，损失再通过 Confidence 模块和 Pairformer 回到序列输入。论文明确写出这一流程：Pairformer 输出更新后的 single 和 pair 表征；Structure Module 产生去噪后的 3D 原子坐标但停止梯度；Confidence Module 再基于这些信息计算置信度。

这个设计很巧妙：结构模块仍然参与前向评估，使 Confidence 模块能够看到一个具体复合物结构；但训练或优化时不让梯度穿过昂贵的扩散步骤，从而降低计算压力。

5.4 损失函数：用接触损失塑造 binder 折叠和界面

BoltzDesign1 的 distogram loss 本质上是在鼓励某些距离 bins 的概率集中到接触区域。对两个残基 i 和 j，模型先对 distogram logits 做 softmax 得到距离分布，再通过 cutoff mask 选出接触距离 bins，并最小化低距离 bins 的熵。直观理解就是：如果模型认为两个位置应该接触，就希望 distogram 不要分散在很多距离上，而是集中到接触范围内。

作者将接触损失分为两类：

intra-contact loss： binder 内部接触损失，用于保证 binder 自身能够折叠。作者取每个 binder 残基最强的两个内部接触，并且忽略序列距离小于 9 的残基对，避免模型只靠局部螺旋获得高置信度，而不形成真正的长程折叠约束。

inter-contact loss： binder 与靶标之间的接触损失，用于形成结合界面。默认情况下，作者取每个 binder 残基最强的一个界面接触。

对小分子 binder，作者又做了一个重要修改：如果直接最大化蛋白-小分子接触，蛋白可能过度包裹配体，导致 apo-holo RMSD 偏高。为避免这种不自然的包裹，作者先在没有配体的情况下让蛋白形成二级结构，再引入配体优化蛋白-配体相互作用；同时每一步只优化最低接触损失的单个接触，即 k=1、l=1。虽然直接优化的只是一个接触，但为了让这个接触稳定，模型往往会隐式形成额外支撑接触。

5.5 序列优化：从连续空间逐步收敛到 one-hot 序列

BoltzDesign1 没有一开始就优化离散氨基酸。原因很简单：如果每个位置立刻被固定成 one-hot，搜索空间会非常粗糙，梯度优化容易陷入坏解。作者采用类似 BindCraft 的四阶段 relaxed sequence optimization：

第一阶段，用 softmax(logits / temperature) 表示连续序列，temperature=1.0。这样每个位置可以同时保留多种氨基酸可能性，避免 raw logits 导致不真实结构和异常置信度。

第二阶段，从 softmax logits 过渡到连续序列空间，序列表示为 logits 与 softmax 概率的加权混合，权重 λ 随 step 增加。这相当于让模型早期更开放地探索，后期逐步靠近概率化序列。

第三阶段，完全用 softmax 概率表示序列，并逐步降低 temperature。论文中 temperature 按二次衰减方式从接近 1 降到 0.01，同时学习率也衰减，使序列分布逐渐变尖锐。

第四阶段，进入 one-hot 优化，但通过 straight-through 形式保留 softmax 的梯度。也就是说，前向看起来像 argmax 后的离散序列，反向仍能通过 softmax 概率传播梯度。

这一步非常关键。BoltzDesign1 实际上是在连续序列空间中搜索 binder，然后逐渐把它离散化成真实可合成的氨基酸序列。

5.6 LigandMPNN 后处理：固定界面，重设计表面

得到 BoltzDesign1 初始序列和结构后，作者使用 LigandMPNN 进一步优化序列。这里有两种策略：一种是给定复合物结构后完全重设计序列；另一种是固定 BoltzDesign1 设计出的界面残基，只重设计表面残基。

结果显示，固定初始界面、只用 LigandMPNN 重设计表面区域，通常能得到更高的成功率。补充图 S2 也说明，在不使用 recycling、并固定初始 BoltzDesign1 界面的情况下，成功率最高。

这说明一个很重要的问题：BoltzDesign1 的优势可能主要体现在界面建模，而 LigandMPNN 更适合做序列可设计性和表面优化。如果完全重设计界面，反而可能破坏 BoltzDesign1 在全原子环境中找到的关键接触模式。

5.7 方法流程小结

BoltzDesign1 的实际设计流程可以概括为：

1. 1. 输入目标分子或目标复合物，以及待设计 binder 的长度和初始 sequence logits；
2. 2. 用 Pairformer 计算 single/pair 表征，并输出 distogram；
3. 3. 根据 binder 内部接触和 binder-靶标接触定义 distogram loss；
4. 4. 可选地运行结构模块生成三维坐标，但停止梯度，再用 Confidence 模块提供 pLDDT、PAE 等置信度损失；
5. 5. 通过四阶段 relaxed sequence optimization 更新 binder 序列；
6. 6. 对得到的结构使用 LigandMPNN 重设计，优先固定界面、优化表面；
7. 7. 用 Boltz-1、AF3、Gnina、TM-score 等进行交叉验证和筛选。

6. 实验设计与关键结果

6.1 Pairformer distogram 是否足够表达接触信息？

作者首先验证一个基础假设：不穿过结构模块，仅用 Pairformer distogram，是否能捕捉 binder 与靶标的接触？

他们使用 BindCraft 论文中的 13 个蛋白靶标、212 个成功 binder，对比 Pairformer distogram 预测接触、结构模块生成结构中的接触，以及 AF2 预测模型中的实际接触。结果显示，76% 设计的 Precision at K 高于 0.5；Pairformer recycling 到 3 次会提升 P@K，但继续增加 recycling 没有明显收益。图 2D 还显示，对于蛋白-蛋白和蛋白-小分子体系，distogram contact loss 与 pLDDT、inter-pAE 有较明显相关；但在核酸体系中，inter-contact loss 与 inter-pAE 的相关性较弱，R² 只有 0.412。

这组实验支持了论文的基本逻辑：在蛋白和小分子 binder 设计中，distogram 可以作为置信度和接触质量的近似代理；但在核酸等更复杂体系中，仅靠 distogram 可能不够，需要 Confidence 模块和结构采样提供额外判断。

6.2 小分子 binder：与 RfDiffusionAA 对比

作者选择了 RfDiffusionAA 中验证过的四个小分子靶标：IAI、FAD、SAM 和 OQO。每个配体生成 30 个结构，helix loss 权重从 0 到 -0.3；每个结构再用 LigandMPNN 设计 5 条序列，并用 AF3 重新预测复合物结构。评价指标包括 AF3 complex pLDDT、ipAE、Boltz-1 与 AF3 预测结构之间的 RMSD、LigandMPNN 重设计前后的 self-consistency、Gnina CNN VS score，以及同一配体下设计结构之间的平均 pairwise TM-score。严格成功标准为 AF3 complex pLDDT > 0.7 且 AF3 ipAE < 10，放宽标准为 ipAE < 15。

结果显示，Pairformer-only 和 Pairformer + Confidence 两种设置在四个小分子上都比 RfDiffusionAA 有更高的 AF3 success rate；在 4 个配体中的 3 个上，加入 Confidence 模块优于只用 Pairformer。图 3 展示了四个小分子 binder 的结构例子、局部结合 pocket 和成功率柱状图。

需要注意的是，这里的成功率是 AF3 预测置信度意义上的 in silico success，不是实验结合成功率。因此它更适合说明模型设计结果在另一个结构预测模型下看起来合理，而不能直接等同于真实亲和力或功能活性。

6.3 设计多样性：BoltzDesign1 生成结构更分散

作者用同一配体下不同设计之间的 pairwise TM-score 衡量结构多样性。TM-score 越高，说明结构越相似；越低，说明结构越多样。BoltzDesign1 的平均 pairwise TM-score 为 0.36，而 RfDiffusionAA 为 0.46，说明 BoltzDesign1 生成的 binder 结构更分散。作者还发现，增大 helix loss 的绝对值会提高 β-sheet 含量，图 4 展示了 TM-score 分布、二级结构比例和示例结构。

这点很有意义。binder 设计不仅需要成功率，还需要多样性。真实项目中，如果所有候选都长得很像，一旦这个结构族失败，整个设计批次可能都会失败。更多样的结构库能提高后续筛选和实验命中的机会。

6.4 更广泛靶标：金属、B-DNA 与翻译后修饰

论文进一步测试了 BoltzDesign1 的通用性。对于金属离子，作者选择锌和铁作为例子，先用 BoltzDesign1 设计 binder，再用 LigandMPNN 重设计，用 AF3 预测结构，并用 AllMetal3D 评估金属身份和配位几何。结果显示，设计出的锌和铁 binder 呈现预期的四面体或八面体配位，并包含 Tyr、Asp、His 等常见金属结合残基。

对于核酸，作者测试了 B-DNA binder，结果显示 binder 与 DNA 具有形状互补性，界面具有预期正电荷分布，并形成与磷酸骨架及部分碱基相关的氢键。

对于翻译后修饰，作者设计了识别 PCNA Tyr-211 磷酸化位点、Smad2 Ser-201/Ser-203 磷酸化位点，以及 CD45 N101 糖基化位点的 binder。实现方式是指定 pocket contact 和修饰位点约束，并将这些约束编码为额外 one-hot token feature 输入模型。图 5 展示了铁、锌、B-DNA、PCNA 磷酸化、Smad2 磷酸化和 CD45 糖基化 binder 示例。

这部分是论文最有想象力的地方。它说明 BoltzDesign1 可能不只是小分子 binder 工具，而是一个面向多类生物分子界面的统一设计框架。

启发

启发一：结构预测模型正在成为可微分设计引擎

BoltzDesign1 延续了 BindCraft 的路线，但把底座从 AlphaFold2 推进到 Boltz-1 这类全原子模型。这意味着，未来蛋白设计不一定总是从头训练生成模型，也可以反向利用结构预测模型中已经学到的结构规律、界面统计和全原子相互作用知识。

启发二：优化分布可能比优化单个结构更稳健

直接优化扩散采样出的某个结构，容易受随机采样影响。BoltzDesign1 转向优化 distogram，等于优化模型内部对距离关系的概率判断。这种思路对分子设计也有启发：很多时候，模型内部表征比最终输出结构更适合作为优化对象。

启发三：全原子建模让 binder 设计进入更真实的生物化学空间

小分子、核酸、金属和翻译后修饰都不是蛋白骨架生成模型容易自然处理的对象。BoltzDesign1 的意义在于，它将 binder 设计从蛋白链之间的表面互补，扩展到多分子类型、全原子相互作用和条件约束界面。

启发四：界面序列可能比整体序列更值得保护

固定 BoltzDesign1 初始界面、用 LigandMPNN 重设计表面，比完全重设计更好。这说明在全原子 binder 设计中，界面残基承载了关键相互作用逻辑，而表面残基更多服务于可折叠性、溶解性和稳定性。补充图 S1 也显示，LigandMPNN 设计序列在界面区域有更高 sequence recovery，提示初始 BoltzDesign1 界面被较好建模。

8. 局限性

8.1 最大局限：没有湿实验验证

论文目前主要依赖 AF3、Boltz-1、Gnina、AllMetal3D 等计算模型进行验证。虽然 cross-model consistency 可以降低单模型自嗨风险，但它不能替代真实表达、纯化、结合实验、亲和力测定、竞争实验和功能验证。尤其是小分子 binder，AF3 高置信度不等于真实可结合；Gnina 分数也只能作为参考，不能直接说明热力学亲和力。

8.2 设计和验证可能存在模型偏置

作者也承认，一个挑战是使用单一模型同时参与设计和预测，可能引入过拟合和偏置，尤其在复杂靶标或未见结构上影响泛化。即使后续使用 AF3 进行验证，Boltz-1 与 AF3-like 模型之间仍可能共享相似归纳偏置和训练分布。

8.3 核酸设计仍明显不成熟

论文自己的实验已经显示，核酸体系中 distogram contact loss 与 inter-pAE 的相关性较弱，R² 仅 0.412。结论部分也指出，模型没有整合 nucleic acid MSAs，这限制了蛋白-DNA/RNA 相互作用设计能力。

这意味着 BoltzDesign1 对 DNA/RNA binder 的展示更像 proof-of-concept，而不是成熟可用的核酸 binder 设计方案。

8.4 小分子 binder 的评价仍然偏结构合理性

论文对小分子 binder 的成功率主要由 AF3 pLDDT 和 ipAE 定义。这个标准能判断预测复合物是否稳定可信，但不能判断真实结合能、构象选择、溶剂化、诱导契合、质子化状态、金属配位电荷、构象熵损失等问题。更关键的是，Gnina 结果显示多数设计分数低于 wild-type PDB complex 和原配体，只是部分设计在 SAM、OQO 和 IAI 上超过 native ligand binder，对应比例分别为 9.3%、7.3% 和 4.0%。

这说明 BoltzDesign1 可以生成看起来合理的 binder，但距离高亲和力候选仍有明显距离。

8.5 缺少模板、物理能量和负设计

作者提到，BoltzDesign1 当前不使用 template 输入，而 template 可能有助于约束高不确定结构或引导目标构象。

除此之外，论文没有系统加入物理能量项、显式溶剂、电荷状态、pH 条件、多构象负设计或非目标结合排除。真实 binder 设计不仅要能结合目标，还要避免结合相似非目标；不仅要在单一构象中形成接触，还要在溶液环境和实验条件下保持稳定。

对 AI 制药未来发展的意义

BoltzDesign1 对 AI 制药的启发主要有三点。

第一，结构预测模型可能成为通用的 differentiable prior。相比从零训练分子或蛋白生成模型，直接反向利用 AF3-like 模型可以借用其从大规模结构数据中学到的全原子相互作用规律。这对数据稀缺的 binder 设计尤其有价值。

第二，structure-based design 正在从固定靶标走向共同预测。传统对接通常固定蛋白 pocket 或固定小分子构象，而 BoltzDesign1 强调 binder 和 ligand 可以在同一模型中共同预测，配体构象可在迭代中改变。这更接近真实诱导契合，但也对验证提出更高要求。

第三，未来 binder 设计需要从 in silico confidence 走向实验闭环。BoltzDesign1 展示了生成候选的能力，但真正进入药物发现或合成生物学应用，还需要把表达成功率、热稳定性、结合亲和力、特异性、细胞功能、免疫原性和可制造性纳入优化目标。最理想的方向，是把 BoltzDesign1 这样的全原子设计引擎接入实验反馈闭环：模型生成候选，实验筛选，数据回流，再调整设计损失和约束。

总结与推荐理由

BoltzDesign1 是一篇值得关注的 AI 蛋白设计论文。它提出了一种很实用的反向使用全原子结构预测模型的方法：绕开昂贵的结构扩散反传，直接优化 Pairformer distogram 和 Confidence 信号，从而把 Boltz-1 改造成可用于多类 biomolecular binder 设计的工具。

它已经比较清楚地证明了三点：Pairformer distogram 在蛋白和小分子 binder 中可以作为接触质量和置信度的有效代理；固定 BoltzDesign1 设计出的界面、用 LigandMPNN 重设计表面，是一个较有效的后处理策略；全原子模型确实为小分子、金属、核酸和翻译后修饰 binder 的统一设计提供了新的可能性。

但这篇论文仍应被谨慎解读。它主要展示的是计算可行性，而不是实验成功率。AF3 置信度、cross-model consistency 和 Gnina 分数都只能说明候选结构看起来合理，不能证明真实结合。对于核酸、柔性靶标、多构象选择性和高亲和力设计，仍需要更多系统评估和湿实验验证。

推荐理由： BoltzDesign1 代表了一条值得持续关注的路线：把全原子结构预测模型从预测工具反向改造成通用设计引擎，为复杂 biomolecular binder 设计提供了新的技术入口。