NVIDIA lleva los flujos de trabajo de plegamiento de proteínas BioNeMo a Claude Science

NVIDIA ha publicado un flujo de trabajo que conecta sus herramientas de ciencias de la vida BioNeMo con Claude Science de Anthropic, permitiendo que un agente de IA inicie servicios con soporte de GPU para la predicción de estructuras proteicas. La integración permite a Claude coordinar búsquedas de secuencias, ejecutar varios modelos de plegamiento y comparar estructuras proteicas predichas dentro de una sola sesión de investigación.

El anuncio es significativo menos como un nuevo modelo de plegamiento que como un ejemplo de infraestructura: muestra cómo un agente científico general puede conectarse a servicios biológicos especializados sin que los investigadores tengan que operar manualmente cada herramienta. NVIDIA y Anthropic describen la configuración como una colaboración, pero la evidencia disponible proviene principalmente de la documentación para desarrolladores de NVIDIA y debe tratarse como información reportada por el proveedor.

Conectar Claude Science a los servicios de BioNeMo

BioNeMo Agent Toolkit de NVIDIA empaqueta modelos, bibliotecas y flujos de trabajo para biología, química, genómica y descubrimiento de fármacos como habilidades que un agente puede invocar. En la configuración demostrada, esas habilidades se importan a Claude Science, el entorno de trabajo de IA de Anthropic para investigación científica, y se conectan a microservicios NVIDIA NIM que se ejecutan en contenedores Docker.

El flujo de trabajo utiliza tres servicios: el MSA Search NIM acelerado por GPU, el OpenFold3 NIM y el Boltz-2 NIM. Claude puede descubrir los servicios disponibles, solicitar que se creen endpoints y orquestar la secuencia de operaciones. Los usuarios siguen aprobando los endpoints del modelo y proporcionando una clave API de NVIDIA, por lo que el sistema no se presenta como una canalización de investigación desatendida.

La implementación está diseñada para una máquina con una GPU NVIDIA L40S o H100, aunque NVIDIA afirma que Claude Science también puede ejecutarse en un portátil mientras se conecta a cómputo remoto mediante SSH, infraestructura de computación de alto rendimiento o servicios en la nube como Modal. El ejemplo requiere aproximadamente 700 GB de almacenamiento. La mayor parte de ese espacio proviene de la base de datos UniRef30 utilizada por el servicio de búsqueda MSA, mientras que los contenedores del modelo de plegamiento añaden aproximadamente 30–40 GB, según NVIDIA.

Un flujo de trabajo para un complejo proteico, no solo una llamada a un modelo

El tutorial aplica la configuración a Seh1 y a un posible socio de la familia Mio del hongo Paracoccidioides lutzii. La pregunta de investigación es cómo cambia la estructura predicha de Seh1 cuando se modela solo en comparación con un complejo de dos proteínas.

Claude recupera las secuencias de UniProt y prepara tanto alineamientos múltiples de secuencias no emparejados como emparejados por especie. Los alineamientos no emparejados proporcionan información evolutiva para cada cadena, mientras que el alineamiento emparejado intenta asociar proteínas relacionadas encontradas en la misma especie. Ese emparejamiento puede ofrecer pistas sobre coevolución y posibles sitios de interacción.

Luego, el agente envía los alineamientos a OpenFold3 y Boltz-2 de forma independiente. Cada modelo produce una predicción de cadena única y una predicción de complejo, lo que permite al investigador comparar los resultados dentro de cada sistema en lugar de depender de la salida de un solo modelo. NVIDIA afirma que la ejecución conservó las secuencias, alineamientos, entradas del modelo y salidas para que el análisis pudiera verificarse posteriormente.

En el ejemplo, la secuencia de Seh1 tiene 384 residuos y el socio propuesto, identificado como C1HCX1, 976 residuos. La búsqueda devolvió 202 secuencias para cada proteína. NVIDIA afirma que la ejecución no usó secuencias recortadas, plantillas estructurales, ligandos ni restricciones adicionales.

Qué muestran los resultados informados

NVIDIA informa que tanto OpenFold3 como Boltz-2 produjeron puntuaciones altas de confianza en la interfaz para el complejo Seh1–C1HCX1 cuando se les proporcionó información MSA. Las puntuaciones iPTM informadas fueron 0,85 para OpenFold3 y 0,82 para Boltz-2. Sin la entrada MSA, las puntuaciones cayeron a 0,14 y 0,19, respectivamente.

Esos resultados respaldan una conclusión específica sobre este flujo de trabajo: la alineación evolutiva es una entrada crítica para la tarea probada de predicción de interfaces. No demuestran que ninguno de los dos modelos vaya a identificar de forma fiable interacciones proteicas en distintos sistemas biológicos, ni validan experimentalmente la interacción fúngica propuesta. La interpretación estructural del tutorial también es un resultado basado en el modelo. NVIDIA afirma que ambos sistemas de plegamiento colocaron de forma independiente las mismas hebras beta de C1HCX1 en la posición asociada con el cierre del barril beta WD40 de Seh1, lo que coincide con una observación del preprint de investigación citado.

NVIDIA también informa resultados internos de benchmarking en los que las habilidades de BioNeMo aumentaron la corrección de las tareas del 60 % al 100 % y duplicaron aproximadamente la eficiencia de tokens. Estas son mediciones controladas por el proveedor; la publicación no ofrece suficiente metodología para evaluar su alcance, la selección de la línea base o la reproducibilidad. Las fuentes disponibles no incluyen ninguna evaluación independiente ni datos de adopción por clientes.

Por qué importa la integración para los desarrolladores y los equipos de investigación

Para los desarrolladores de IA, el cambio principal es la frontera entre el razonamiento del modelo de lenguaje y la ejecución específica del dominio. Un agente de propósito general puede reconocer que una proteína debe plegarse, pero aun así necesita saber qué modelo usar, cómo formatear sus entradas, si se requiere una alineación y cómo interpretar salidas en competencia. BioNeMo Agent Toolkit está diseñado para codificar ese conocimiento operativo como habilidades invocables.

Ese enfoque podría reducir el trabajo de integración para los equipos que crean agentes científicos. En lugar de escribir código de orquestación separado para recuperación de secuencias, generación de alineamientos, gestión de contenedores y comparación de modelos, los desarrolladores pueden exponer esas capacidades a un agente mediante un flujo de trabajo común. La contrapartida es que la fiabilidad pasa a residir en las definiciones de habilidades, la configuración de endpoints, la procedencia de los datos y los controles de aprobación. Un agente fluido no elimina la necesidad de validar secuencias, supervisar el cómputo o revisar conclusiones biológicas.

Los requisitos de implementación también hacen concretos los costos. Una huella local de 700 GB, acceso a una L40S o H100 y varios contenedores de modelos pueden ser prácticos para un laboratorio bien financiado o un grupo de investigación empresarial, pero difíciles para desarrolladores individuales. El acceso remoto a GPU puede mejorar la flexibilidad, al tiempo que introduce preocupaciones sobre la transferencia de datos, la disponibilidad de red, el gasto en la nube y el manejo de secuencias propietarias.

Para los compradores empresariales, la integración apunta a un modelo operativo híbrido en lugar de una experiencia totalmente alojada. Claude Science proporciona la interfaz de investigación y la capa de agente, mientras que los servicios NVIDIA NIM pueden ejecutarse sobre recursos locales de GPU. Eso puede resultar atractivo para organizaciones que necesitan mayor control sobre los datos biológicos, pero aún tendrán que evaluar las licencias de los modelos, el soporte de infraestructura, los límites de seguridad y la auditabilidad de las acciones del agente.

Qué vigilar a continuación

La señal de seguimiento más clara será si BioNeMo Agent Toolkit se expande más allá de este ejemplo documentado de plegamiento de proteínas hacia flujos de trabajo validados para docking, diseño molecular, genómica o planificación experimental. Los desarrolladores también deberían vigilar pruebas independientes de la corrección informada del toolkit y de las mejoras en eficiencia de tokens.

Los detalles de infraestructura serán importantes a medida que crezca la adopción. La documentación de NVIDIA debería aclarar las configuraciones de GPU admitidas, la gestión del ciclo de vida de los endpoints, la supervisión y si las implementaciones más pequeñas pueden evitar la carga completa de almacenamiento de UniRef30. Los investigadores también querrán ejemplos reproducibles en más proteínas y complejos, especialmente casos en los que los modelos no coinciden o la calidad del MSA es limitada.

Por último, el mercado observará cuán estrechamente sigue acoplado Claude Science a la infraestructura de NVIDIA. El toolkit se describe como compatible con cualquier marco de agentes, pero esta demostración da a NVIDIA una forma de posicionar sus GPUs, contenedores NIM y modelos BioNeMo como la capa de ejecución para agentes científicos.

Perspectiva de Creati.ai

Este es un anuncio de infraestructura relevante porque demuestra un patrón práctico para la IA científica: un agente se encarga de la planificación y la coordinación mientras servicios especializados realizan el cómputo caro y específico del dominio. El valor está en conectar esos pasos de forma reproducible, no en tratar al modelo de lenguaje como sustituto del software de biología estructural.

La evidencia sigue siendo temprana y liderada por el proveedor. El ejemplo de Seh1 muestra que las entradas MSA pueden afectar materialmente la confianza del complejo predicho, pero es un único flujo de trabajo y no un estudio de validación experimental. Para desarrolladores y compradores, la pregunta inmediata es si este modelo de orquestación puede ofrecer resultados fiables y verificables en programas de investigación más amplios, con un perfil de costos y seguridad que los laboratorios puedan aceptar.