原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，你有一位名为Boltz-2的超级智能机器人厨师。这位厨师极其擅长观察特定食材（药物分子）与特定锅具（人体内的蛋白质）的图片，并预测它们结合的紧密程度。在医学领域，这种“结合”被称为结合亲和力，它是判断新药是否真正有效的关键步骤。
然而，存在一个问题：虽然任何人都可以使用 Boltz-2 进行这些预测，但无人知晓如何训练它掌握新技能的秘诀。这就像拥有一位才华横溢的厨师，却只能按照固定、预先写好的菜单烹饪。如果一家制药公司正在研究某种特定疾病，并拥有自己独特的食材集合和测试结果，他们便无法轻易地教导 Boltz-2 在他们的特定任务上变得更好。
核心构想
本文介绍了一种新的“开放式厨房”框架。可以将其理解为一系列指令，允许科学家利用预训练好的 Boltz-2 机器人，并使用其自身特定数据对其进行速成培训。与其从头重新训练整个机器人（这既困难又昂贵），他们只需微调机器人中负责预测“结合紧密度”的部分。
测试方法
团队通过两种方式测试了这种新训练方法：
- 群体测试：他们回顾了涉及多种不同靶点的过往数据（如同让厨师测试各种不同菜系），并将微调后的 Boltz-2 与其他标准计算机模型及基于物理的模拟进行了比较。
- 深度挖掘：他们专注于单一特定靶点，但使用了海量数据——多达 1,700 种不同的类药分子——以观察机器人能否掌握该单一案例的细微差别。
结果
在两项测试中，经过“微调”的 Boltz-2 在预测药物结合效果方面，均比原始未训练版本有了显著提升。在某些情况下，其表现与**自由能微扰（FEP）**方法相当。打个比方，如果原始的 Boltz-2 是一位优秀的猜测者，而 FEP 是一项高端、慢速且耗时漫长的实验室实验，那么微调后的 Boltz-2 成功达到了该昂贵实验的准确度，但速度却快得多。
目标
作者并非声称这将立即治愈疾病或取代医生。相反，他们仅仅是将“食谱”交还给科学界。他们的目标是让其他药物发现团队能够利用这一框架，接入其自身的实验数据，并创建一个针对其特定药物项目专门优化的 Boltz-2 定制版本。
实现这一过程的代码现已可供任何人使用，这实际上将一种通用工具转变为适用于任何特定药物发现活动的专用工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。