Boltz-1 ist das erste vollständig quelloffene Modell (MIT-Lizenz) für biomolekulare Strukturvorhersage, das auf AlphaFold-3-Niveau performt. Es modelliert Protein-Protein-, Protein-Ligand- und Protein-Nukleinsäure-Komplexe mit einem Diffusionsmodell — ohne kommerzielle Einschränkungen, lokal lauffähig und für industrielle Forschung frei nutzbar.
Kosten: Vollständig kostenlos; MIT-Lizenz. Lokale Ausführung auf GPU (NVIDIA A100 empfohlen) oder über Community-Notebooks auf Kaggle/Colab.
Stärken
- MIT-Lizenz: keine kommerziellen Einschränkungen, auch für industrielle Drug Discovery einsetzbar
- AlphaFold-3-vergleichbare Genauigkeit auf CASP15-Benchmarks (Protein-Ligand, Protein-Protein)
- Modelliert gleichzeitig Proteine, kleine Moleküle, Nukleinsäuren und kovalente Modifikationen
- Lokal lauffähig — keine API-Calls, keine Cloud-Abhängigkeit, volle Datenkontrolle
- Aktive Community-Entwicklung mit regelmäßigen Modell-Updates (Boltz-2 in Entwicklung)
Einschränkungen
- Erfordert GPU mit mindestens 40 GB VRAM für große Komplexe (A100 empfohlen)
- Wie alle Strukturvorhersage-Modelle: intrinsisch ungeordnete Proteine (IDPs) unzuverlässig
- Kein GUI — Nutzung über Python-API oder Kommandozeile
- Weniger validiert als AlphaFold 2 in der breiten wissenschaftlichen Community
- Keine automatische Bindungstasche-Annotation — nachgelagerte Analyse mit fpocket oder SiteMap nötig
Passt gut zu
So steigst du ein
Schritt 1: Installiere Boltz-1 via pip (pip install boltz) in einem Python-3.11-Environment mit PyTorch (CUDA-Version). Lade die Modellgewichte herunter (boltz download). Auf einem System ohne lokale A100 empfiehlt sich Kaggle P100/T4 als kostenlose Alternative für erste Experimente — für produktive Strukturvorhersage ist eine A100 de facto Pflicht.
Schritt 2: Erstelle eine YAML-Eingabedatei mit deinen Protein-Sequenzen und optionaler Ligand-SMILES. Starte die Vorhersage mit boltz predict input.yaml. Boltz-1 gibt PDB-Strukturdateien und Konfidenz-Scores (pLDDT per Residuum, ipTM für Komplex-Qualität) zurück.
Schritt 3: Validiere die Vorhersage-Qualität. pLDDT > 70 für die Bindungstasche ist ein gutes Signal — Regionen unter 50 sind flexibel oder ungeordnet und nicht für Docking geeignet. Nutze fpocket oder den Schrödinger SiteMap für die Bindungstasche-Analyse, bevor du AutoDock Vina darauf aufsetzt.
Ein konkretes Beispiel
Ein Forschungsteam eines kleinen deutschen Biotechs (12 Mitarbeitende) will einen neuartigen Transkriptionsfaktor als Drug Target adressieren. Keine Kristallstruktur ist verfügbar, AlphaFold 3 darf aufgrund der Forschungsnutzungs-Einschränkungen kommerziell nicht eingesetzt werden. Boltz-1 generiert in 40 Minuten auf einem A100 ein Struktur-Modell des Protein-Komplex (pLDDT 82 in der vorhergesagten Bindungstasche). Die Struktur wird mit fpocket analysiert, eine geeignete Cavity identifiziert und für ein AutoDock-Vina-Screening von 200.000 Verbindungen verwendet. IP-rechtlich problemlos — MIT-Lizenz ohne Nutzungsbeschränkungen.
Diesen Inhalt teilen:
Empfohlen in 1 Use Cases
Redaktionell bewertet · Preise und Funktionen können sich ändern.
Stimmt etwas nicht?
Preise geändert, Feature veraltet oder etwas fehlt? Wir freuen uns über Hinweise und Ergänzungen.
Nicht sicher, ob Boltz-1 zu euch passt?
Wir helfen bei der Tool-Auswahl und begleiten die Einführung in euren Arbeitsalltag — unverbindlich und kostenlos im Erstgespräch.
Weitere Tools
Artisan
Artisan-Scope (Community Open Source)
Open-Source-Software für Kaffeeröster zum Aufzeichnen, Analysieren und Reproduzieren von Röstkurven. Artisan unterstützt über 1.000 Röster-Modelle, läuft lokal auf Windows/macOS/Linux und hat keine Abo-Kosten — dafür keine ML-Kurvenvorhersage wie Cropster und eingeschränkten Support.
Mehr erfahrenAutoDock Vina
The Scripps Research Institute / CADD Group
AutoDock Vina ist der meistgenutzte Open-Source-Docking-Algorithmus in der präklinischen Wirkstoffforschung. Er berechnet vorhergesagte Bindungsaffinitäten (kcal/mol) zwischen kleinen Molekülen und Zielprotein-Taschen — Grundlage für Structure-Based Virtual Screening. Vina 1.2 (2021) brachte GPU-Unterstützung und deutlich verbesserte Scoring-Funktionen gegenüber dem Klassiker von 2010.
Mehr erfahrenChai-1
Chai Discovery
Chai-1 ist ein multimodales Biomolekül-Strukturvorhersagemodell von Chai Discovery (San Francisco), das Proteine, Nukleinsäuren, kleine Liganden und kovalente Modifikationen gemeinsam modelliert. Die Leistung ist mit AlphaFold 3 vergleichbar; das Modell läuft ohne Multiple Sequence Alignments (MSA-frei) und ist besonders schnell für erste Screening-Iterationen in der Drug Discovery.
Mehr erfahren