Boltzina: Efficient and Accurate Virtual Screening via Docking-Guided Binding Prediction with Boltz-2
Kairi Furui, Masahito Ohue
在基于结构的药物发现中，使用传统分子对接方法进行虚拟筛选可以快速执行，但在预测准确性方面存在局限性。最近提出的Boltz-2在结合亲和力预测方面实现了极高的准确性，但每个化合物在GPU上需要约20秒的处理时间，难以应用于数十万到数百万化合物的大规模筛选。本研究提出了Boltzina，这是一个新颖的框架，既利用了Boltz-2的高准确性，又显著提高了计算效率。Boltzina通过省略Boltz-2架构中的限速结构预测步骤，直接从AutoDock Vina对接构象预测亲和力，从而实现了准确性和速度的双重优势。我们在MF-PCBA数据集的八个测定上进行了评估，结果表明虽然Boltzina的性能低于Boltz-2，但与AutoDock Vina和GNINA相比，它提供了显著更高的筛选性能。此外，通过减少循环迭代和批处理，Boltzina实现了高达11.8倍的加速。进一步地，我们研究了多构象选择策略以及结合Boltzina和Boltz-2的两阶段筛选方法，提出了根据应用需求优化准确性和效率的方法。这项研究代表了将Boltz-2的高精度预测应用于实际规模筛选的首次尝试，为计算生物学提供了一个兼顾准确性和效率的流程。Boltzina可在github上获取：https://github.com/ohuelab/boltzina。
In structure-based drug discovery, virtual screening using conventional molecular docking methods can be performed rapidly but suffers from limitations in prediction accuracy. Recently, Boltz-2 was proposed, achieving extremely high accuracy in binding affinity prediction, but requiring approximately 20 seconds per compound per GPU, making it difficult to apply to large-scale screening of hundreds of thousands to millions of compounds. This study proposes Boltzina, a novel framework that leverag...