还记得去年 AlphaFold 3 刚发布那会儿，各种文章，朋友圈一片"哇塞"——它不仅能预测蛋白质结构，还能一口气搞定 RNA、小分子、金属离子，妥妥的科研神器。
但激动过后，我们发现它——不开源，只能在线用，不能调参，也不能跑大批量预测。
但是，我最近发现一个开源版本的"AlphaFold3"偷偷上线了，主要它仅次于谷歌的精度。
Boltz 的功能覆盖 AlphaFold 3 的核心场景，支持蛋白质-小分子、蛋白质-RNA 等结构预测，甚至连亲和力也能预测，可以本地跑、全流程开放，科研人狂喜。
趁着这个机会，今天就给大家分享三个近期非常值得关注的开源 AI 工具：
Boltz：
开源结构预测神器，类 AlphaFold 3
开源地址：
https://github.com/jwohlwend/boltz
Direct3D‑S2：
高分辨率 3D 生成，从图像生成结构模型
开源地址：
https://www.neural4d.com/research/direct3d-s2/
Gemini Full-Stack Agent：
自动检索、反思、自带引用的科研智能体。
开源地址：
https://github.com/google-gemini/gemini-fullstack-langgraph-quickstart
Boltz
如果你是搞结构生物、药物筛选、蛋白设计的科研人——强烈建议你先放下手头的活，认真看一下这个开源神器。
上线没多久就斩获了 2.7K+ Star，可见关注度有多高。
对于不懂这方面的小伙伴，我先简单介绍一下，像 AlphaFold3 这样的工具有何作用。
AlphaFold3 这类模型的意义是：它们能把一串蛋白质序列，直接"翻译"成原子级的三维结构，像是丢一串代码进去，还你一幅精密折纸。
Boltz 就是这样一个开源版的结构预测系统，而且更灵活、更可控。
支持蛋白质 + RNA + 小分子 + 离子 + 抗体等多种复合系统 可预测蛋白质-小分子亲和力，覆盖药物设计关键步骤 多项测试上逼近 AlphaFold 3，有些指标甚至不相上下
除了结构预测，Boltz‑2 还具备一个非常实用的能力 —— 结合亲和力预测，这在药物筛选中意义重大。
过去如果你想计算一个小分子和蛋白质的结合强度，通常得借助复杂的 physics-based free-energy perturbation (FEP) 方法。
FEP 的确精准，但它计算量极大、流程复杂，对硬件和专业度要求都非常高，一般实验室很难大规模使用。
而 Boltz‑2 的优势在于：
它能以类 FEP 的精度，提供近千倍速度优势的亲和力预测结果。
这意味着，你可以在保证一定准确度的前提下，更快地筛出潜在药物分子，在高通量虚拟筛选场景中具备极高实用价值。
安装教程
pip install boltz -U
boltz predict input_path --use_msa_server
个人畅想
这类工具听起来很"科研"，但其实它们的成果离我们普通人并不遥远。
AlphaFold3 已经成功用于在感染病学和癌症研究中，病毒 spike 蛋白和免疫复合体的结构建模就是由它完成。
还有，AlphaFold 2 在 COVID-19 的原型 SARS 最关键的时刻免费开源，科学家们迅速得到关键蛋白结构（如 ORF3a），并用于疫苗、抗体设计。
像 AlphaFold 和 Boltz 这样的结构预测模型，加速了新药的设计、抗体的研发、甚至是疫苗的更新换代。过去需要几年实验的过程，现在可能几天模型就能筛选出候选方案，极大节省了时间与成本。
Direct3D‑S2
最近，把 AI 用于 3D 建模这个方向，也是非常的火爆。
例如，3D 大模型公司 VAST 刚刚完成数千万美元 Pre-A+ 轮融资，表示将全面投入到 3D 系列大模型的研发中。
我已经为大家找到了一款现在就能用、效果还非常强劲的开源 3D 模型：Direct3D-S2
这款模型来自南京大学和 DreamTech 联合团队，主打从 单张图片生成高分辨率 3D 网格模型。
先展示效果给大家看看。我认为再各方面的细腻度都非常的高。
除此之外，最大的亮点就是快！
支持稀疏体素输入输出，效率高，结构保真度好 推理速度快，前向比 FlashAttention 快 12 倍！ 模型结构简洁，训练资源友好（8 张显卡就能玩 1024³）
快速使用
git clone https://github.com/DreamTechAI/Direct3D-S2.git
cd Direct3D-S2
pip install -r requirements.txt
pip install -e .
from direct3d_s2.pipeline import Direct3DS2Pipeline
pipeline = Direct3DS2Pipeline.from_pretrained(
'wushuang98/Direct3D-S2',
subfolder="direct3d-s2-v-1-1"
)
pipeline.to("cuda:0")
mesh = pipeline(
'assets/test/13.png',
sdf_resolution=1024, # 512 or 1024
remesh=False, # Switch to True if you need to reduce the number of triangles.
)["mesh"]
mesh.export('output.obj')
Gemini Full‑Stack Agent
这是谷歌亲自为大家提供的一款，全栈开源神器，从前端到后端全部都搭好了，就等你配置大模型 API Key 就可以完成。
你只需要一个问题，剩下的，它全自动帮你搞定：搜索、反思、再搜索、总结、输出，还给你附上参考链接和来源标注。可谓是开源版Deep Resarch， 为许多软件工程小白，提供许多诸多便利。
功能一览：
提问后自动生成搜索 Query 多轮搜索 + 自反思机制，查得准、查得全 最终输出带引用文献，方便写综述、报告 架构完整（前端 Vite + React，后端 FastAPI + Gemini + LangGraph） 支持 LangChain / Gradio / LangSmith，调试部署都很友好
上手教程
先确保你已经安装了以下内容：
Node.js 和 npm（或 yarn / pnpm） Python 3.8 及以上版本 获取一个 Google Gemini 的 API Key
进入项目目录中的 backend/ 文件夹：
cd backend
复制配置模板，生成 .env 文件：
cp .env.example .env
用文本编辑器打开 .env 文件，将 GEMINI_API_KEY 替换为你自己的 Key：
GEMINI_API_KEY="你的实际 API Key"
backend/ 中执行）：pip install .
前端依赖（在 frontend/ 中执行）：
cd ../frontend
npm install
回到项目根目录后，使用 make 命令一键启动前后端开发服务器：
make dev
默认会打开本地前端页面，后端 API 也将自动运行。
如果有能力的小伙伴，也可以尝试魔改一下是不是也能为自己的工作打造一款定制化的 AI Agent 框架。
最后
随着大模型能力的突破，越来越多的AI工具也随之来袭。现在这些工具不仅开源、可部署、性能强大，而且真正对研究者友好。
大家也可以用起来，让自己的工作效率进一步提升。
如果喜欢这类内容，请点赞关注我们。或者留下你的评论，希望我们下一期测评哪类 AI 工具？
>/ 本期作者：与之 & JackCui
>/ JackCui：AI领域从业者，毕业于东北大学，大厂算法工程师，热爱技术分享。
没有评论:
发表评论