統合分子構造・結合親和性予測オープンソースAI「Boltz-2」動作推奨PC
構造と結合親和性を同時に予測。商用利用可能な完全オープンソースAIが、創薬R&Dを圧倒的に加速します
※掲載製品は参考価格となりますので、最新価格については都度お問い合わせください。
製品紹介
Boltz-2は、MIT Jameel ClinicのBoltzチームとRecursion社によって開発・公開された、オープンソースの次世代生体分子ファウンデーションモデル（構造生物学AI）です。
2024年にAlphaFold3のオープンソース代替として登場した前身モデル「Boltz-1」をさらに進化させたもので、タンパク質などの3D構造予測に加え、創薬において極めて重要となる「結合親和性（Binding Affinity）」を同時に予測できるようになった点が最大のブレイクスルーです。
1. 主な機能と技術的特長
Boltz-2は、構造の「形」を予測するだけでなく、分子同士が「どれだけ強く結びつくか」を計算する機能を備えています。
多様な生体分子の3D構造予測:
単一のタンパク質だけでなく、タンパク質-核酸（DNA/RNA）複合体、抗原-抗体複合体、低分子リガンドとの結合状態など、多様な分子相互作用の3D構造を高精度に予測します。また、翻訳後修飾や共有結合リガンド、糖鎖などの複雑な要素にも対応しています。
高精度な結合親和性予測（Affinity Prediction）:
低分子化合物（薬剤候補など）が標的タンパク質にどれだけ強く結合するかを予測します。これまで、計算負荷が非常に高く数日単位の時間を要していた物理学ベースの手法（FEP：自由エネルギー摂動法）に匹敵する精度を、約1000倍の計算速度で実現しています。
高度な制御性（Controllability）:
研究者が持つ事前知識を予測に反映させることができます。実験データの条件付け、特定のポケット（結合部位）の指定、距離制約、マルチチェーンのテンプレート統合など、AIに人間の直感や実験的な証拠をガイドさせる機能が追加されています。
2. 実用上の利点と提供形態
創薬プロセス（R&D）の加速:
膨大な化学ライブラリの中から、結合親和性に基づいて化合物を高速にランク付けできるため、初期段階のスクリーニングやリード最適化（Lead optimization）にかかる時間とコストを劇的に削減します。
完全オープンソース（MITライセンス）:
商用利用が厳しく制限されているAlphaFold3とは対照的に、Boltz-2はMITライセンスの下でモデル、重み（Weights）、学習パイプラインが公開されています。これにより、学術研究だけでなく民間企業での商用利用（自社データでのファインチューニングや創薬利用）が完全に自由に行えます。
プラットフォーム展開:
GitHub（jwohlwend/boltz）でのローカル利用に加え、NVIDIA NIM（AIマイクロサービスプラットフォーム）や、Tamarind Bio、Neurosnapといったウェブベースのプラットフォームに実装されており、複雑な環境構築なしで利用可能です。
2024年にAlphaFold3のオープンソース代替として登場した前身モデル「Boltz-1」をさらに進化させたもので、タンパク質などの3D構造予測に加え、創薬において極めて重要となる「結合親和性（Binding Affinity）」を同時に予測できるようになった点が最大のブレイクスルーです。
1. 主な機能と技術的特長
Boltz-2は、構造の「形」を予測するだけでなく、分子同士が「どれだけ強く結びつくか」を計算する機能を備えています。
多様な生体分子の3D構造予測:
単一のタンパク質だけでなく、タンパク質-核酸（DNA/RNA）複合体、抗原-抗体複合体、低分子リガンドとの結合状態など、多様な分子相互作用の3D構造を高精度に予測します。また、翻訳後修飾や共有結合リガンド、糖鎖などの複雑な要素にも対応しています。
高精度な結合親和性予測（Affinity Prediction）:
低分子化合物（薬剤候補など）が標的タンパク質にどれだけ強く結合するかを予測します。これまで、計算負荷が非常に高く数日単位の時間を要していた物理学ベースの手法（FEP：自由エネルギー摂動法）に匹敵する精度を、約1000倍の計算速度で実現しています。
高度な制御性（Controllability）:
研究者が持つ事前知識を予測に反映させることができます。実験データの条件付け、特定のポケット（結合部位）の指定、距離制約、マルチチェーンのテンプレート統合など、AIに人間の直感や実験的な証拠をガイドさせる機能が追加されています。
2. 実用上の利点と提供形態
創薬プロセス（R&D）の加速:
膨大な化学ライブラリの中から、結合親和性に基づいて化合物を高速にランク付けできるため、初期段階のスクリーニングやリード最適化（Lead optimization）にかかる時間とコストを劇的に削減します。
完全オープンソース（MITライセンス）:
商用利用が厳しく制限されているAlphaFold3とは対照的に、Boltz-2はMITライセンスの下でモデル、重み（Weights）、学習パイプラインが公開されています。これにより、学術研究だけでなく民間企業での商用利用（自社データでのファインチューニングや創薬利用）が完全に自由に行えます。
プラットフォーム展開:
GitHub（jwohlwend/boltz）でのローカル利用に加え、NVIDIA NIM（AIマイクロサービスプラットフォーム）や、Tamarind Bio、Neurosnapといったウェブベースのプラットフォームに実装されており、複雑な環境構築なしで利用可能です。
仕様・スペック
★Boltz-2向けPC選定のポイント
Boltz-2のAI推論（構造計算や結合親和性の計算）はGPUに大きく依存し、VRAMの容量、さらにメインメモリの容量が重要。ただし、Alphafold3やOpenfold3と比較すると推論プロセスが最適化されており、要求スペックは若干低めになります。また大規模なデータベースをローカルにダウンロードして参照するためDドライブに高速なNVMeSSDが必須です。
基本仕様❶
■CPU：AMD Ryzen9 9950X3D
4.3-5.7GHz 16C/32T
■チップセット：AMD X870
■メモリ：64GB（32GB×4）
DDR5 UDIMM
■OS： Ubuntu24.04 LTS
■SSD：SSD 1TB M.2 NVMe + 4TB M.2 NVMe
■GPU：NVIDIA GeForce RTX 5090
32GB-GDDR7
■電源：1200W (80PLUS Plutinum認証)
■標準保証：ハードウェア1年間 （センドバック）
基本仕様❷
■CPU：AMD Ryzen Threadripper 9960X
4.2-5.4GHz 24C/48T
■チップセット：AMD TRX50
■メモリ：128GB（32GB×4）
DDR5-5600 ECC RDIMM
■OS： Ubuntu24.04 LTS
■SSD：SSD 1TB M.2 NVMe + 4TB M.2 NVMe
■GPU：NVIDIA RTX PRO 5000 Blackwell
48GB-GDDR7
■電源：1200W (80PLUS Plutinum認証)
■標準保証：ハードウェア3年間 （センドバック）
※本製品に「Boltz-2」は含まれておりません。
Boltz-2のAI推論（構造計算や結合親和性の計算）はGPUに大きく依存し、VRAMの容量、さらにメインメモリの容量が重要。ただし、Alphafold3やOpenfold3と比較すると推論プロセスが最適化されており、要求スペックは若干低めになります。また大規模なデータベースをローカルにダウンロードして参照するためDドライブに高速なNVMeSSDが必須です。
基本仕様❶
■CPU：AMD Ryzen9 9950X3D
4.3-5.7GHz 16C/32T
■チップセット：AMD X870
■メモリ：64GB（32GB×4）
DDR5 UDIMM
■OS： Ubuntu24.04 LTS
■SSD：SSD 1TB M.2 NVMe + 4TB M.2 NVMe
■GPU：NVIDIA GeForce RTX 5090
32GB-GDDR7
■電源：1200W (80PLUS Plutinum認証)
■標準保証：ハードウェア1年間 （センドバック）
基本仕様❷
■CPU：AMD Ryzen Threadripper 9960X
4.2-5.4GHz 24C/48T
■チップセット：AMD TRX50
■メモリ：128GB（32GB×4）
DDR5-5600 ECC RDIMM
■OS： Ubuntu24.04 LTS
■SSD：SSD 1TB M.2 NVMe + 4TB M.2 NVMe
■GPU：NVIDIA RTX PRO 5000 Blackwell
48GB-GDDR7
■電源：1200W (80PLUS Plutinum認証)
■標準保証：ハードウェア3年間 （センドバック）
※本製品に「Boltz-2」は含まれておりません。
用途・実績例
1. 主な用途（アプリケーション）
大規模バーチャルスクリーニング（ヒット化合物探索）:
何百万もの低分子化合物（リガンド）の中から、標的タンパク質に強く結合する有望な候補（ヒット化合物）を計算機上で高速に特定します。
リード最適化（Lead Optimization）:
見つかった候補化合物の構造を微調整した際に、結合親和性（結合の強さ）がどう変化するかをシミュレーションします。従来はウェットラボ（実際の実験）や計算負荷の極めて高い物理学ベースの手法（FEP：自由エネルギー摂動法）に頼っていた工程をAIで代替します。
難易度の高い複合体の構造解析:
タンパク質単体だけでなく、抗原-抗体複合体や、DNA/RNAとタンパク質の複合体など、従来の予測モデルでは精度が出にくかった複雑な分子の立体構造をモデリングします。
2. 具体的な実績・導入例
2025年の公開以降、オープンソース（MITライセンス）である利点を活かし、学術機関のみならず民間企業の商用プラットフォームへの実装が急速に進んでいます。
CASP16（タンパク質構造予測技術評価）での首位獲得:
国際的なベンチマークテストである「CASP16」の結合親和性（Affinity）予測部門において、140の複合体データセットで他の全提出モデルを上回り、第1位の精度を記録しました。
NVIDIA NIMを通じたエンタープライズ実装:
NVIDIAのAIマイクロサービス「NIM」としてパッケージ化され、DGX SuperPODなどのHPC環境で稼働しています。これにより、1つのリガンド-タンパク質ペアの解析をA100 GPU上で約20秒という超高速で処理し、FEP法と比較して約1000倍の計算速度（かつ同等の精度）を達成しています。
商用創薬プラットフォーム（CDD Vault等）への統合:
製薬企業やバイオテク企業が利用する商用の創薬インフォマティクス・プラットフォーム（CDD Vaultなど）の内部にBoltz-2が組み込まれ、研究者が自社の実験データとAIの予測値（結合親和性スコアなど）を同一画面上で比較・解釈する実務ワークフローとして稼働しています。
ウェットラボ作業の大幅な削減:
Recursion社およびパートナー企業の実証において、Boltz-2を活用したインシリコスクリーニングにより、実験室での物理的な検証作業（ウェットラボワーク）を約40%削減しつつ、同等の実験的価値（結果）を得られることが示されています。
大規模バーチャルスクリーニング（ヒット化合物探索）:
何百万もの低分子化合物（リガンド）の中から、標的タンパク質に強く結合する有望な候補（ヒット化合物）を計算機上で高速に特定します。
リード最適化（Lead Optimization）:
見つかった候補化合物の構造を微調整した際に、結合親和性（結合の強さ）がどう変化するかをシミュレーションします。従来はウェットラボ（実際の実験）や計算負荷の極めて高い物理学ベースの手法（FEP：自由エネルギー摂動法）に頼っていた工程をAIで代替します。
難易度の高い複合体の構造解析:
タンパク質単体だけでなく、抗原-抗体複合体や、DNA/RNAとタンパク質の複合体など、従来の予測モデルでは精度が出にくかった複雑な分子の立体構造をモデリングします。
2. 具体的な実績・導入例
2025年の公開以降、オープンソース（MITライセンス）である利点を活かし、学術機関のみならず民間企業の商用プラットフォームへの実装が急速に進んでいます。
CASP16（タンパク質構造予測技術評価）での首位獲得:
国際的なベンチマークテストである「CASP16」の結合親和性（Affinity）予測部門において、140の複合体データセットで他の全提出モデルを上回り、第1位の精度を記録しました。
NVIDIA NIMを通じたエンタープライズ実装:
NVIDIAのAIマイクロサービス「NIM」としてパッケージ化され、DGX SuperPODなどのHPC環境で稼働しています。これにより、1つのリガンド-タンパク質ペアの解析をA100 GPU上で約20秒という超高速で処理し、FEP法と比較して約1000倍の計算速度（かつ同等の精度）を達成しています。
商用創薬プラットフォーム（CDD Vault等）への統合:
製薬企業やバイオテク企業が利用する商用の創薬インフォマティクス・プラットフォーム（CDD Vaultなど）の内部にBoltz-2が組み込まれ、研究者が自社の実験データとAIの予測値（結合親和性スコアなど）を同一画面上で比較・解釈する実務ワークフローとして稼働しています。
ウェットラボ作業の大幅な削減:
Recursion社およびパートナー企業の実証において、Boltz-2を活用したインシリコスクリーニングにより、実験室での物理的な検証作業（ウェットラボワーク）を約40%削減しつつ、同等の実験的価値（結果）を得られることが示されています。
