Boltz 提供了在线体验入口，让人不装环境就能试用这个 MIT 许可的 AF3 级结构预测模型。对评估阶段的团队来说，「先试再决定要不要投入部署」是很实际的路径——但要清楚在线试用与生产使用的区别。
在线试用适合做什么
- 快速验证能力：拿一两个自己熟悉的体系（最好有已知结构可对照）试一试，直观感受精度水平；
- 与其他方法对比：同一个体系分别用 Boltz、AlphaFold Server、Chai-1 跑一遍，比较结果与置信度；
- 决定是否值得部署：确认它能解决你的问题类型后，再投入本地部署的工程成本；
- 演示与教学：向不做计算的同事展示结构预测能做什么。
在线试用不适合做什么
- 提交敏感序列。这是首要红线。未公开的靶点序列、专有的抗体序列、任何有知识产权价值的信息，都不应提交到外部服务——无论该服务的许可多宽松。
- 批量预测：在线服务有配额与速率限制。
- 生产流程：可用性、版本稳定性、结果可复现性都无法保证。
- 需要中间产物时：在线服务通常只给最终结构，拿不到 MSA、嵌入等中间结果。
从试用到本地部署
# Boltz 本地部署非常简单，这是它的一大优势
pip install boltz
# 最简：一个 FASTA
boltz predict input.fasta --use_msa_server --out_dir results/
# 生产用法：本地 MSA（敏感序列必须这样）
boltz predict complex.yaml \
--msa_server_url http://内部MSA服务 \
--diffusion_samples 5 \
--out_dir results/| 阶段 | MSA 来源 | 适用 |
|---|---|---|
| 试用 | 在线 MSA 服务器 | 公开序列，快速上手 |
| 生产（非敏感） | 在线或本地 | 视吞吐需求 |
| 生产（敏感） | 必须本地 | 序列不出内网 |
--use_msa_server 会把序列发到远程服务。这个选项极大降低了上手门槛（省掉几百 GB 的序列数据库），但用于敏感靶点时必须改为本地 MSA。这是部署时最容易疏忽的一点。
本地部署的资源规划
- GPU：单个中等体系通常 16 GB 显存可行，大复合物需要更多；
- MSA 数据库：若走本地 MSA，需准备 UniRef、BFD 等数据库，磁盘占用数百 GB，且检索耗时常常超过推理本身；
- 吞吐规划：批量预测时 MSA 检索通常是瓶颈，可考虑缓存已检索过的序列；
- 版本管理：Boltz-1 到 Boltz-2 变化明显，锁定版本以保证结果可复现。
评估时该看什么
- 拿有共晶结构的自家体系回测：预测结构与实验结构的 RMSD 如何？配体姿势对不对？这比看任何基准成绩都有说服力。
- 多采样看收敛性：
--diffusion_samples 5以上，不同采样是否收敛到一致构象。发散本身是重要信号，说明该体系预测不可靠。 - 置信度指标：pLDDT、PAE、ipTM 是否与实际准确度对应。
- 物理有效性：配体姿势跑一遍 PoseBusters 类检查。
- Boltz-2 的亲和力预测：如果要用这个功能，务必在自家已知活性数据上验证后再用于决策。
提示
在线服务的可用性与功能可能变动，本文为方向性介绍。核心提醒：任何敏感序列都不应提交外部服务；本地部署时 --use_msa_server 同样会外发序列，敏感体系必须配本地 MSA。