Boltz-1

Kurzfazit

Boltz-1 ist die lizenzrechtlich saubere Open-Source-Antwort auf AlphaFold 3, und für industrielle Drug Discovery damit ein echter Befreiungsschlag. Wo AlphaFold 3 zwar verfügbar, aber kommerziell stark eingeschränkt ist, steht Boltz-1 unter MIT-Lizenz und darf ohne Rückfragen in Pipelines, Patente und Pharma-Workflows integriert werden. Die Genauigkeit liegt auf CASP15-Benchmarks im Bereich von AlphaFold 3 und Chai-1, die Vorhersagen umfassen Proteine, kleine Moleküle, Nukleinsäuren und kovalente Modifikationen. Der Preis dafür: kein GUI, harte GPU-Anforderungen und eine kleinere Community als die etablierten Schwergewichte. Für Teams, die Python und CUDA beherrschen, ist Boltz-1 trotzdem die erste Wahl, sobald IP-Reinheit zur Anforderung wird.

Für wen ist Boltz-1?

Industrielle Drug-Discovery-Teams: Pharma und Biotech können AlphaFold 3 wegen der Nutzungsbedingungen (kein freier kommerzieller Einsatz, keine Modellgewichte downloadbar bis zur Lockerung 2024/25, anhaltende Patentdiskussionen) nicht reibungsfrei in Produkt-Pipelines integrieren. Boltz-1 löst dieses Problem mit der MIT-Lizenz vollständig, die Strukturen, die Boltz vorhersagt, gehören dir und dürfen in Patente, kommerzielle Workflows und proprietäre Pipelines fließen.

Akademische Forschungsgruppen mit HPC-Zugang: Wer Zugriff auf eine A100, H100 oder vergleichbare Karte hat, bekommt mit Boltz-1 ein produktionsreifes Werkzeug. Reproduzierbarkeit ist hoch (alle Gewichte und Trainingsdetails öffentlich), die Integration in bestehende Pipelines (Snakemake, Nextflow) ist gradlinig.

Computational-Chemistry-Teams in Biotechs: Kleine Biotechs mit 10–50 Mitarbeitenden, die eigene Strukturen ohne Cloud-Risiko brauchen, finden in Boltz-1 die Balance zwischen Genauigkeit, Lizenzklarheit und Selbstbestimmung. Strukturen werden lokal generiert, sensible Targets verlassen das eigene Netzwerk nicht.

Methodenentwickler und ML-Forscher: Das Modell ist offen, Architektur, Trainingscode und Gewichte. Wer eigene Varianten trainieren, das Modell finetunen oder es in größere Workflows einbetten will, hat hier eine seriöse Ausgangsbasis. Boltz-2 hat 2025 gezeigt, dass die Codebasis als Plattform funktioniert.

Weniger geeignet für: Wet-Lab-Wissenschaftler ohne Python-Kenntnisse (kein GUI, kein Web-Frontend), Teams ohne A100-Klasse-GPU (Vorhersagen werden bei größeren Komplexen unzumutbar langsam), Arbeit mit IDPs oder hochflexiblen Loops (alle Co-Folding-Modelle schwächeln dort), und alle, die regulatorisch akzeptierte Strukturen brauchen, hier führt kein Weg an experimenteller Validierung vorbei.

Preise im Detail

Variante	Preis	Was du bekommst
GitHub-Release	0 EUR (MIT-Lizenz)	Vollständige Modellgewichte, Inferenz-Code, Beispiele. Kommerziell uneingeschränkt nutzbar
Kaggle/Colab-Notebooks	0 EUR	Community-Notebooks für erste Experimente auf T4/P100 (kostenlos)
Eigene A100 (Cloud)	ca. 1–4 USD/h	Lambda Labs, RunPod, Vast.ai, Pay-as-you-go für gelegentliche Vorhersagen
On-Premise A100/H100	ca. 8.000–35.000 EUR Anschaffung	Eigene Workstation oder Server-GPU, dauerhafte Investition
HPC-Cluster	Universitätsabhängig	Für akademische Gruppen oft kostenfrei über lokale Rechenzentren

Einordnung: Boltz-1 selbst kostet nichts, die Kosten entstehen ausschließlich durch die Hardware. Für gelegentliche Vorhersagen reicht Cloud-GPU-Miete (rechnerisch 2–5 EUR pro großem Komplex). Wer regelmäßig vorhersagt (mehr als 50 Strukturen/Monat), amortisiert eine eigene A100-Workstation innerhalb von 12–18 Monaten gegenüber Cloud-Kosten. Akademische Gruppen sollten zuerst beim lokalen HPC-Zentrum anfragen, die meisten deutschen Universitäten haben GPU-Cluster, auf denen Boltz-1 als Job-Submission läuft. Versteckte Kosten: Python- und CUDA-Expertise im Team. Wer das nicht hat, sollte mit Chai-1 (Web-Interface) starten oder die Lernkurve einplanen.

Stärken im Detail

MIT-Lizenz löst das größte IP-Problem im Feld. AlphaFold 3 hat die kommerzielle Nutzung von Google/Isomorphic Labs lange erschwert, Modellgewichte wurden erst 2024 schrittweise freigegeben, und die Nutzungsbedingungen für kommerzielle Pipelines bleiben juristisch heikel. Boltz-1 ist die saubere Alternative: MIT bedeutet uneingeschränkte kommerzielle Nutzung, keine Royalty-Fragen, keine Patentkonflikte rund um den Output. Für jeden Patentanwalt eines Biotechs ist das ein entscheidendes Argument.

Genauigkeit auf AlphaFold-3-Niveau. Die Originalpublikation (Wohlwend et al., 2024) zeigt auf CASP15-Benchmarks Performance im Bereich von AlphaFold 3 und Chai-1, sowohl bei Protein-Protein-Komplexen als auch bei Protein-Ligand-Vorhersagen. In manchen Klassen (z. B. Antikörper-Antigen) liegen AlphaFold 3 und Chai-1 leicht vorn, in anderen (kovalent modifizierte Liganden) ist Boltz-1 konkurrenzfähig oder besser. Praktisch heißt das: Du verlierst keine substanzielle Genauigkeit, wenn du aus Lizenzgründen auf Boltz wechselst.

Mehrere Biomolekül-Typen in einem Modell. Boltz-1 modelliert in einem einzigen Aufruf Proteine, kleine Moleküle (SMILES), DNA, RNA und kovalente Modifikationen. Das ersetzt frühere Pipelines, in denen Strukturen aus AlphaFold 2 erst mit AutoDock gedockt und dann manuell mit Modifikationen versehen werden mussten. Für moderne Drug-Discovery-Workflows mit Kombinationstherapien oder Konjugaten ist das ein deutlicher Effizienzgewinn.

Volle Datenkontrolle durch lokale Ausführung. Anders als der AlphaFold Server oder das Chai-1-Web-Interface läuft Boltz-1 ausschließlich auf deiner eigenen Hardware. Sensible Target-Sequenzen, Konjugate oder noch nicht veröffentlichte Liganden verlassen dein Netzwerk nicht. Das ist für IP-sensitive Forschung, frühe Targets, geheime Konjugate, Patentvorbereitung, ein nicht zu unterschätzender Vorteil gegenüber Web-Services, deren Datenschutzrichtlinien sich jederzeit ändern können.

Aktive Weiterentwicklung mit Boltz-2. Im Juni 2025 hat die Boltz-Community Boltz-2 veröffentlicht, ein eigenes Modell mit Fokus auf Affinitätsvorhersage für Protein-Ligand-Paare, das laut Entwicklerteam an FEP-Genauigkeit heranreicht, aber rund 1000x schneller läuft. Boltz-1 (Strukturvorhersage) und Boltz-2 (Affinität) ergänzen sich zu einer kompletten In-silico-Pipeline für Lead-Identifikation und Lead-Optimierung. Das Projekt ist also kein Einmal-Release, sondern eine wachsende Plattform.

Schwächen ehrlich betrachtet

Hohe GPU-Anforderungen schließen viele Anwender aus. Boltz-1 braucht für realistische Komplexe (mehrere Hundert Residuen, mit Ligand) eine GPU mit mindestens 40 GB VRAM, praktisch eine A100, H100 oder die teureren Consumer-Karten wie RTX 6000 Ada. Auf einer RTX 4090 (24 GB) laufen nur kleine Strukturen, und der CPU-Fallback ist für produktive Arbeit unbenutzbar langsam. Wer keinen GPU-Zugang hat, muss Cloud-Miete einkalkulieren, und das Setup für CUDA-kompatible Container ist nicht trivial.

Kein GUI, kein Web-Interface. Die offizielle Distribution ist eine Python-Library und ein CLI. Wer keine Python- und Linux-Kenntnisse mitbringt, kommt nicht weit. Im Vergleich zum kostenlosen Web-Interface von Chai-1 oder dem AlphaFold Server ist das eine echte Einstiegshürde, auch für Wet-Lab-Kollegen, die nur gelegentlich eine Struktur brauchen.

Weniger Community-Validierung als AlphaFold 2. AlphaFold 2 ist seit 2021 in Tausenden von Publikationen genutzt worden; für jede Proteinklasse gibt es bekannte Stärken und Schwächen. Boltz-1 ist seit November 2024 verfügbar und hat noch keine vergleichbar breite Sammlung an dokumentierten Fallstricken. Du bist häufiger als bei AlphaFold 2 auf eigene Validierung angewiesen, Pilot-Strukturen, deren experimentelle Daten du kennst, sind ein guter Sanity-Check vor produktivem Einsatz.

IDPs und flexible Bereiche bleiben unzuverlässig. Wie alle aktuellen Co-Folding-Modelle modelliert Boltz-1 intrinsisch ungeordnete Proteine, lange Linker und hochflexible Loops nicht sinnvoll. Niedriges pLDDT in diesen Regionen ist ein ehrliches Signal, aber kein Workaround. Wer mit IDP-dominanten Targets arbeitet (viele Transkriptionsfaktoren, Signalproteine), wird mit MD-Simulationen oder experimentellen Methoden ergänzen müssen.

Keine Bindungstaschen-Annotation, keine Druggability-Bewertung. Boltz-1 liefert dir die Struktur, nicht die Information, wo eine Tasche druggable ist. Für die nachgelagerte Analyse brauchst du fpocket (open source), SiteMap (Schrödinger, kommerziell) oder vergleichbare Werkzeuge. Das ist kein Mangel, sondern Domain-Konvention, aber Einsteiger werden überrascht sein, dass die Pipeline mit Boltz nicht endet.

Boltz-2 verschiebt den Fokus. Während Boltz-1 als Co-Folding-Modell weiter gepflegt wird, fließen viele Community-Ressourcen inzwischen in Boltz-2 (Affinitätsvorhersage). Für reine Struktur-Anwendungen ist Boltz-1 weiterhin die Referenz aus der Boltz-Familie, aber wer auf grundlegende Architektur-Upgrades hofft, sollte beobachten, ob diese eher in einer Boltz-3-Linie oder als Boltz-2-Erweiterung kommen.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Ein klickbares Web-Interface ohne Setup willst	Chai-1 (kostenloses Web-Frontend)
Nach der Struktur ein klassisches Docking-Screening machen willst	AutoDock Vina
Eine kommerzielle End-to-End-Pipeline mit Support brauchst	Schrödinger Suite
Ein breiteres ML-Framework für Chemie & Drug Discovery suchst	DeepChem

Erwähnenswert ohne eigene Tool-Seite: AlphaFold 2/3 (Google DeepMind / Isomorphic Labs) als der direkte Maßstab, AlphaFold 2 ist breit etabliert, AlphaFold 3 kommerziell weiterhin eingeschränkt nutzbar. ESMFold (Meta) für sequenzbasierte schnelle Vorhersagen ohne MSA, RoseTTAFold-AA (Baker Lab) als zweite Open-Source-Alternative mit etwas anderer Stärken-Profilierung. Boltz-2 (gleicher Anbieter) übernimmt die Affinitätsvorhersage und ergänzt Boltz-1 zur kompletten Pipeline. Wer reine Sequenz-zu-Struktur-Vorhersage ohne kommerzielles Risiko braucht und Python beherrscht, sollte trotzdem mit Boltz-1 starten, die Kombination aus MIT-Lizenz, Genauigkeit und Multi-Modal-Vorhersage ist im Open-Source-Segment unschlagbar.

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. Cloud-Alternativen: Lambda Labs, RunPod oder Vast.ai bieten A100-Stunden ab ca. 1 USD/h.

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. Für einen Komplex mit 400 Residuen und einem Liganden rechne mit 20–60 Minuten Inferenzzeit auf einer A100.

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. Für die produktive Pipeline empfiehlt sich Snakemake oder Nextflow, um Vorhersage, Validierung und nachgelagertes Docking automatisiert zu verketten.

Ein konkretes Beispiel

Ein Forschungsteam eines kleinen deutschen Biotechs (12 Mitarbeitende, Heidelberg) will einen neuartigen Transkriptionsfaktor als Drug Target adressieren. Keine Kristallstruktur ist verfügbar, AlphaFold 3 darf aufgrund der kommerziellen Nutzungseinschränkungen für die geplante Patentanmeldung nicht eingesetzt werden. Boltz-1 generiert in 40 Minuten auf einer angemieteten A100 (Kosten: ca. 2 USD) ein Strukturmodell 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, der Output darf in die Patentanmeldung. Gesamtkosten der In-silico-Vorabklärung: rund 50 EUR Cloud-Compute, drei Tage Arbeit eines Postdocs. Vergleichbarer experimenteller Aufwand bis zur ersten Struktur-Hypothese: mehrere Wochen Kristallographie ohne Erfolgsgarantie.

DSGVO & Datenschutz

• Datenhosting: Vollständig lokal, Boltz-1 läuft auf deiner eigenen Hardware oder einer von dir gemieteten Cloud-GPU. Keine Telemetrie, keine Modellanbieter-Cloud, keine externen API-Calls. Die Datenkontrolle liegt zu 100 % bei dir.
• Modellgewichte: Werden einmalig von Hugging Face heruntergeladen. Danach ist keine Internet-Verbindung mehr erforderlich.
• Personenbezogene Daten: In typischen Anwendungsfällen werden keine personenbezogenen Daten verarbeitet, es handelt sich um Sequenz- und Liganden-Daten, die rechtlich als Forschungsdaten gelten.
• IP- und Geschäftsgeheimnisse: Sensible Targets, proprietäre Liganden oder noch nicht veröffentlichte Konjugate können sicher verarbeitet werden, sofern die ausführende Infrastruktur (lokale GPU oder DSGVO-konform gemietete Cloud-Instanz) entsprechend abgesichert ist.
• Auftragsverarbeitung (AVV): Nicht zutreffend, Boltz-1 ist Software, kein Dienst. Bei Cloud-Ausführung (z. B. Lambda Labs) gilt der AVV des Cloud-Anbieters.
• Empfehlung für Unternehmen: Für IP-sensitive Drug Discovery ist Boltz-1 der DSGVO- und IP-rechtlich sauberste Pfad unter den verfügbaren AlphaFold-3-Konkurrenten. Cloud-Compute idealerweise in EU-Region buchen (z. B. Hetzner, OVH GPU-Instanzen, AWS Frankfurt).

Gut kombiniert mit

• AutoDock Vina, Boltz-1 liefert die Protein-Struktur, AutoDock Vina das anschließende Virtual Screening großer Verbindungsbibliotheken. Klassische End-to-End-Pipeline: Struktur → Bindungstasche → Docking → Hit-Liste.
• DeepChem, DeepChem ergänzt die ML-Infrastruktur drum herum (Featurization, Property-Vorhersage, ADMET-Modelle). Boltz für die 3D-Struktur, DeepChem für die molekularen Eigenschaften und QSAR-Modelle der Hit-Kandidaten.
• Schrödinger Suite, wer die kommerzielle Tiefe für Validierung und FEP-Affinitätsberechnung braucht, nutzt Boltz-1 als kostenfreie Vorab-Struktur und übergibt sie an Glide/FEP+ für die Endrunde. Hybrid-Workflow: Open-Source für Volumen, kommerziell für Präzisions-Endphase.

Unser Testurteil

Boltz-1 verdient 4 von 5 Sternen. Die Kombination aus MIT-Lizenz, AlphaFold-3-naher Genauigkeit und Multi-Modal-Vorhersage ist im Open-Source-Segment einzigartig, und löst für industrielle Drug Discovery das größte verbleibende Lizenzproblem des Felds. Den fünften Stern verliert es durch die harten GPU-Anforderungen (A100-Klasse de facto Pflicht), das fehlende Web-Interface (das macht Chai-1 niedrigschwelliger) und die noch kleinere Community-Validierungsbasis im Vergleich zu AlphaFold 2. Für jeden, der Python beherrscht, eigene Pipelines baut und kommerzielle Freiheit braucht, ist Boltz-1 trotzdem die erste Wahl, und mit Boltz-2 als Affinitäts-Companion entsteht eine ernstzunehmende Open-Source-Plattform für die gesamte frühe Drug-Discovery-Pipeline.

Was wir bemerkt haben

• November 2024, Boltz-1 wurde vom Team um Jeremy Wohlwend, Gabriele Corso und Saro Passaro an der MIT Jameel Clinic veröffentlicht. Erstes vollständig offenes Modell auf AlphaFold-3-Niveau, ein Meilenstein, weil AlphaFold 3 bei Release weder herunterladbare Gewichte noch kommerzielle Freigabe bot.
• Juni 2025, Boltz-2 wurde veröffentlicht und ergänzt die Familie um spezialisierte Affinitätsvorhersage für Protein-Ligand-Paare. Das Team positioniert Boltz-2 als 1000-mal schnellere Alternative zu FEP, ein bemerkenswerter Anspruch, der unabhängige Validierung verdient.
• September 2025, Release v2.2.1 mit Bugfixes, das Projekt hat über 4.000 GitHub-Stars und 830+ Forks erreicht, Indikator für ernsthafte Adoption über akademische Spielerei hinaus. Über eine Million Downloads von Boltz-1 laut Projektseite.
• 2024–2025, Genesis Therapeutics ist als industrieller Mit-Sponsor (ML-Engineering und Infrastruktur) am Projekt beteiligt. Das stützt die These, dass Boltz nicht nur akademisches Hobby, sondern Industrie-Werkzeug mit echtem Compute-Backing ist.
• Mai 2026, AlphaFold 3 hat seine kommerziellen Restriktionen schrittweise gelockert, bleibt aber für viele Pharma-Compliance-Abteilungen weiterhin grenzwertig. Boltz-1 ist deshalb in der industriellen Praxis weiter die saubere Default-Wahl, wenn IP-Reinheit eine harte Anforderung ist.