Przejdź do treści
Biblioteka skilli
Nauka i badania · Analiza

boltz

/boltz

Przewiduje struktury biomolekuł w Boltz-1 i Boltz-2, otwartym narzędziu, do kompleksów białkowych, wiążących i ligandów na lokalnym GPU.

Licencja
MIT
Ostatnia zmiana repozytorium
21.07.2026

Ocena i bezpieczeństwo

100/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść35 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
1
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 21.07.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co robi i kiedy

Przewiduje struktury biomolekuł w Boltz-1 i Boltz-2, otwartym narzędziu, do kompleksów białkowych, wiążących i ligandów na lokalnym GPU.

Oryginalny opis (EN)

Structure prediction using Boltz-1/Boltz-2, an open biomolecular structure predictor. Use this skill when: (1) Predicting protein complex structures, (2) Validating designed binders, (3) Need open-source alternative to AF2, (4) Predicting protein-ligand complexes, (5) Using local GPU resources. For QC thresholds, use protein-qc. For AlphaFold2 prediction, use alphafold. For Chai prediction, use chai.

Jak działa

  1. Prerequisites
  2. How to run
  3. Key parameters
  4. FASTA Format
  5. Output format
  6. Comparison
  7. Sample output
  8. Decision tree
  9. Typical performance
  10. Verify
Sekcje z nagłówków SKILL.md, w oryginale · 171 linii, 626 słów
Podgląd SKILL.md
---
name: boltz
description: >
  Structure prediction using Boltz-1/Boltz-2, an open biomolecular structure predictor.
  Use this skill when: (1) Predicting protein complex structures,
  (2) Validating designed binders,
  (3) Need open-source alternative to AF2,
  (4) Predicting protein-ligand complexes,
  (5) Using local GPU resources.

  For QC thresholds, use protein-qc.
  For AlphaFold2 prediction, use alphafold.
  For Chai prediction, use chai.
license: MIT
category: design-tools
tags: [structure-prediction, validation, open-source]
biomodals_script: modal_boltz.py
---

# Boltz Structure Prediction

## Prerequisites

| Requirement | Minimum | Recommended |
|-------------|---------|-------------|
| Python | 3.10+ | 3.11 |
| CUDA | 12.0+ | 12.1+ |
| GPU VRAM | 24GB | 48GB (L40S) |
| RAM | 32GB | 64GB |

## How to run

> **First time?** See [Installation Guide](../../docs/installation.md) to set up Modal and biomodals.

### Option 1: Modal
```bash
cd biomodals
modal run modal_boltz.py \
  --input-faa complex.fasta \
  --out-dir predictions/
```

**GPU**: L40S (48GB) | **Timeout**: 1800s default

### Option 2: Local installation
```bash
pip install boltz

boltz predict \
  --fasta complex.fasta \
  --output predictions/
```

## Key parameters

| Parameter | Default | Range | Description |
|-----------|---------|-------|-------------|
| `--recycling_steps` | 3 | 1-10 | Recycling iterations |
| `--sampling_steps` | 200 | 50-500 | Diffusion steps |
| `--use_msa_server` | true | bool | Use MSA server |

## FASTA Format

```
>protein_A
MKTAYIAKQRQISFVK...
>protein_B
MVLSPADKTNVKAAWG...
```

## Output format

```
predictions/
├── model_0.cif       # Best model (CIF format)
├── confidence.json   # pLDDT, pTM, ipTM
└── pae.npy          # PAE matrix
```

**Note**: Boltz outputs CIF format. Convert to PDB if needed:
```python
from Bio.PDB import MMCIFParser, PDBIO
parser = MMCIFParser()
structure = parser.get_structure("model", "model_0.cif")
io = PDBIO()
io.set_structure(structure)
io.save("model_0.pdb")
```

## Comparison

| Feature | Boltz-1 | Boltz-2 | AF2-Multimer |
|---------|---------|---------|--------------|
| MSA-free mode | Yes | Yes | No |
| Diffusion | Yes | Yes | No |
| Speed | Fast | Faster | Slower |
| Open source | Yes | Yes | Yes |

## Sample output

### Successful run
```
$ boltz predict --fasta complex.fasta --output predictions/
[INFO] Loading Boltz-1 weights...
[INFO] Predicting structure...
[INFO] Saved model to predictions/model_0.cif

predictions/confidence.json:
{
  "ptm": 0.78,
  "iptm": 0.65,
  "plddt": 0.81
}
```

**What good output looks like:**
- pTM: > 0.7 (confident global structure)
- ipTM: > 0.5 (confident interface)
- pLDDT: > 0.7 (confident per-residue)
- CIF file: ~100-500 KB for typical complex

## Decision tree

```
Should I use Boltz?
│
├─ What are you predicting?
│  ├─ Protein-protein complex → Boltz ✓ or Chai or ColabFold
│  ├─ Protein + ligand → Boltz ✓ or Chai
│  └─ Single protein → Use ESMFold (faster)
│
├─ Need MSA?
│  ├─ No / want speed → Boltz ✓
│  └─ Yes / maximum accuracy → ColabFold
│
└─ Why Boltz over Chai?
   ├─ Open weights preference → Boltz ✓
   ├─ Boltz-2 speed → Boltz ✓
   └─ DNA/RNA support → Consider Chai
```

## Typical performance

| Campaign Size | Time (L40S) | Cost (Modal) | Notes |
|---------------|-------------|--------------|-------|
| 100 complexes | 30-45 min | ~$8 | Standard validation |
| 500 complexes | 2-3h | ~$35 | Large campaign |
| 1000 complexes | 4-6h | ~$70 | Comprehensive |

**Per-complex**: ~15-30s for typical binder-target complex.

---

## Verify

```bash
find predictions -name "*.cif" | wc -l  # Should match input count
```

---

## Troubleshooting

**Low confidence**: Increase recycling_steps
**OOM errors**: Use MSA-free mode or A100-80GB
**Slow prediction**: Reduce sampling_steps

### Error interpretation

| Error | Cause | Fix |
|-------|-------|-----|
| `RuntimeError: CUDA out of memory` | Complex too large | Use `--use_msa_server false` or larger GPU |
| `KeyError: 'iptm'` | Single chain only | Ensure FASTA has 2+ chains |
| `FileNotFoundError: weights` | Missing model | Run `boltz download` first |
| `ValueError: invalid residue` | Non-standard AA | Check for modified residues in sequence |

### Boltz-1 vs Boltz-2

| Aspect | Boltz-1 | Boltz-2 |
|--------|---------|---------|
| Speed | Fast | ~2x faster |
| Accuracy | Good | Improved |
| Ligands | Basic | Better support |
| Release | 2024 | Late 2024 |

---

**Next**: `protein-qc` for filtering and ranking.

Wersje

RepozytoriumWynikLicencja
Ta strona · FreedomIntelligence/OpenClaw-Medical-Skills100MIT
K-Dense-AI/drug-discovery-agent-skills100MIT
ekko8600/enzyme_design_harness100Apache-2.0
lamm-mit/scienceclaw100Apache-2.0
adaptyvbio/protein-design-skills100MIT
liorz/protein-design-skills87MIT

Migawka bazy z 13.11.2026 · wersja paczki 344a2b21dad4 (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 0 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 100chai
    Przewiduje struktury białek i ich połączeń modelem Chai-1, także przez API, do walidacji projektowanych białek wiążących.
  • 100chai
    Przewiduje struktury kompleksów białko-białko i białko-ligand modelem Chai-1, waliduje zaprojektowane białka wiążące i obsługuje przewidywania wsadowe przez API jako alternatywa dla AlphaFold2.
  • 95protenix
    Przewiduje struktury kompleksów białkowych modelem Protenix, otwartym odpowiednikiem AlphaFold3, i sprawdza zaprojektowane wiązania.
  • 100alterlab-boltz
    Przewiduje kompleksy biomolekularne modelem Boltz-2, w tym białko z ligandem lub kwasem nukleinowym, wraz z oceną powinowactwa wiązania.
  • 87chai-lab
    Przewiduje struktury białek, kompleksów z peptydami, ligandami i kwasami nukleinowymi modelem Chai-1.
  • 100local-boltz-structure-and-binding-0528dc26
    Przewiduje strukturę i wiązanie jednego zdefiniowanego kompleksu białka, RNA, DNA lub ligandu przez Boltz.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.