NVIDIA apporte les flux de travail de repliement des protéines BioNeMo à Claude Science

NVIDIA a publié un flux de travail qui relie ses outils de sciences de la vie BioNeMo à Claude Science d’Anthropic, permettant à un agent d’IA de lancer des services accélérés par GPU pour la prédiction de structures protéiques. L’intégration permet à Claude de coordonner des recherches de séquences, d’exécuter plusieurs modèles de repliement et de comparer des structures protéiques prédites au cours d’une même session de recherche.

L’annonce est importante moins comme un nouveau modèle de repliement que comme un exemple d’infrastructure : elle montre comment un agent scientifique général peut être connecté à des services biologiques spécialisés sans que les chercheurs aient à faire fonctionner manuellement chaque outil. NVIDIA et Anthropic décrivent la configuration comme une collaboration, mais les éléments disponibles proviennent principalement de la documentation développeur de NVIDIA et doivent être considérés comme des informations rapportées par l’éditeur.

Connecter Claude Science aux services BioNeMo

Le BioNeMo Agent Toolkit de NVIDIA regroupe des modèles, des bibliothèques et des workflows pour la biologie, la chimie, la génomique et la découverte de médicaments sous forme de compétences qu’un agent peut appeler. Dans la configuration démontrée, ces compétences sont importées dans Claude Science, l’environnement de travail d’IA d’Anthropic pour la recherche scientifique, et reliées à des microservices NVIDIA NIM exécutés dans des conteneurs Docker.

Le workflow utilise trois services : le MSA Search NIM accéléré par GPU, l’OpenFold3 NIM et le Boltz-2 NIM. Claude peut découvrir les services disponibles, demander la création d’endpoints et orchestrer la séquence des opérations. Les utilisateurs approuvent toujours les endpoints de modèle et fournissent une clé API NVIDIA, de sorte que le système n’est pas présenté comme un pipeline de recherche autonome.

Le déploiement est conçu pour une machine équipée d’un GPU NVIDIA L40S ou H100, bien que NVIDIA indique que Claude Science peut aussi fonctionner sur un ordinateur portable tout en se connectant à des ressources de calcul à distance via SSH, une infrastructure de calcul haute performance ou des services cloud comme Modal. L’exemple nécessite environ 700 Go de stockage. La majeure partie de cet espace provient de la base de données UniRef30 utilisée par le service de recherche MSA, tandis que les conteneurs des modèles de repliement ajoutent environ 30 à 40 Go, selon NVIDIA.

Un workflow de complexe protéique, pas seulement un appel de modèle

Le tutoriel applique cette configuration à Seh1 et à un partenaire proposé de la famille Mio du champignon Paracoccidioides lutzii. La question de recherche est de savoir comment la structure prédite de Seh1 change lorsqu’elle est modélisée seule par rapport à un complexe de deux protéines.

Claude récupère les séquences depuis UniProt et prépare à la fois des alignements multiples de séquences non appariés et appariés par espèce. Les alignements non appariés fournissent des informations évolutives pour chaque chaîne, tandis que l’alignement apparié tente d’associer des protéines apparentées trouvées dans la même espèce. Cet appariement peut fournir des indices sur la coévolution et les possibles sites d’interaction.

L’agent envoie ensuite les alignements à OpenFold3 et Boltz-2 de manière indépendante. Chaque modèle produit une prédiction pour une chaîne unique et une prédiction de complexe, permettant au chercheur de comparer les résultats au sein de chaque système plutôt que de s’appuyer sur la sortie d’un seul modèle. NVIDIA indique que l’exécution a conservé les séquences, les alignements, les entrées du modèle et les sorties afin que l’analyse puisse être vérifiée par la suite.

Dans l’exemple, la séquence de Seh1 compte 384 résidus et le partenaire proposé, identifié comme C1HCX1, en compte 976. La recherche a renvoyé 202 séquences pour chaque protéine. NVIDIA indique que l’exécution n’a utilisé ni séquences tronquées, ni modèles structuraux, ni ligands, ni contraintes supplémentaires.

Ce que montrent les résultats rapportés

NVIDIA rapporte que OpenFold3 et Boltz-2 ont tous deux produit des scores élevés de confiance d’interface pour le complexe Seh1–C1HCX1 lorsqu’ils recevaient des informations MSA. Les scores iPTM rapportés étaient de 0,85 pour OpenFold3 et de 0,82 pour Boltz-2. Sans l’entrée MSA, les scores sont tombés à 0,14 et 0,19 respectivement.

Ces résultats soutiennent une conclusion précise sur ce workflow : l’alignement évolutif est une entrée critique pour la tâche de prédiction d’interface testée. Ils n’établissent pas que l’un ou l’autre modèle identifie de manière fiable les interactions protéiques à travers des systèmes biologiques, ni ne valident expérimentalement l’interaction fongique proposée. L’interprétation structurelle dans le tutoriel est également un résultat fondé sur le modèle. NVIDIA indique que les deux systèmes de repliement ont placé indépendamment les mêmes brins bêta de C1HCX1 à l’emplacement associé à la fermeture du propeller bêta WD40 de Seh1, ce qui concorde avec une observation du préprint de recherche cité.

NVIDIA rapporte aussi des résultats de benchmark internes dans lesquels les compétences BioNeMo ont fait passer la justesse des tâches de 60 % à 100 % et ont approximativement doublé l’efficacité en tokens. Il s’agit de mesures contrôlées par l’éditeur ; l’article ne fournit pas suffisamment de méthodologie pour évaluer leur portée, le choix de la ligne de base ou la reproductibilité. Aucune évaluation indépendante ni donnée d’adoption client n’est incluse dans les sources disponibles.

Pourquoi l’intégration compte pour les constructeurs et les équipes de recherche

Pour les développeurs d’IA, le principal changement concerne la frontière entre le raisonnement du modèle de langage et l’exécution spécifique au domaine. Un agent à usage général peut reconnaître qu’une protéine doit être repliée, mais doit encore savoir quel modèle utiliser, comment formater ses entrées, si un alignement est nécessaire et comment interpréter des résultats concurrents. Le BioNeMo Agent Toolkit est conçu pour encoder ces connaissances opérationnelles sous forme de compétences appelables.

Cette approche pourrait réduire le travail d’intégration pour les équipes qui construisent des agents scientifiques. Au lieu d’écrire un code d’orchestration séparé pour la récupération de séquences, la génération d’alignements, la gestion des conteneurs et la comparaison de modèles, les développeurs peuvent exposer ces capacités à un agent via un workflow commun. La contrepartie est que la fiabilité se déplace vers les définitions de compétences, la configuration des endpoints, la provenance des données et les contrôles d’approbation. Un agent fluide ne supprime pas la nécessité de valider les séquences, de surveiller le calcul ou de revoir les conclusions biologiques.

Les exigences de déploiement rendent aussi les coûts concrets. Une empreinte locale de 700 Go, l’accès à une L40S ou H100 et plusieurs conteneurs de modèles peuvent être pratiques pour un laboratoire bien financé ou un groupe de recherche d’entreprise, mais difficiles pour des développeurs individuels. L’accès distant aux GPU peut améliorer la flexibilité, tout en introduisant des préoccupations liées au transfert de données, à la disponibilité réseau, aux dépenses cloud et au traitement de séquences propriétaires.

Pour les acheteurs d’entreprise, l’intégration renvoie à un modèle opérationnel hybride plutôt qu’à une expérience entièrement hébergée. Claude Science fournit l’interface de recherche et la couche d’agent, tandis que les services NVIDIA NIM peuvent s’exécuter sur des ressources GPU locales. Cela peut intéresser les organisations qui ont besoin d’un meilleur contrôle sur les données biologiques, mais elles devront tout de même évaluer les licences des modèles, le support d’infrastructure, les périmètres de sécurité et l’auditabilité des actions de l’agent.

Ce qu’il faut surveiller ensuite

Le signal de suivi le plus clair sera de savoir si le BioNeMo Agent Toolkit s’étend au-delà de cet exemple documenté de repliement des protéines vers des workflows validés pour le docking, la conception moléculaire, la génomique ou la planification expérimentale. Les développeurs devraient également surveiller des tests indépendants de la justesse rapportée du toolkit et des gains d’efficacité en tokens.

Les détails d’infrastructure compteront à mesure que l’adoption progressera. La documentation de NVIDIA devrait clarifier les configurations GPU prises en charge, la gestion du cycle de vie des endpoints, la supervision et la possibilité pour des déploiements plus petits d’éviter le fardeau complet de stockage UniRef30. Les chercheurs voudront aussi des exemples reproductibles sur davantage de protéines et de complexes, en particulier des cas où les modèles divergent ou où la qualité du MSA est limitée.

Enfin, le marché observera à quel point Claude Science reste étroitement couplé à l’infrastructure de NVIDIA. Le toolkit est présenté comme compatible avec n’importe quel framework d’agents, mais cette démonstration donne à NVIDIA un moyen de positionner ses GPU, ses conteneurs NIM et ses modèles BioNeMo comme couche d’exécution pour les agents scientifiques.

Point de vue Creati.ai

Il s’agit d’une annonce d’infrastructure importante, car elle montre un schéma pratique pour l’IA scientifique : un agent gère la planification et la coordination tandis que des services spécialisés effectuent le calcul coûteux et spécifique au domaine. La valeur réside dans le fait de relier ces étapes de manière reproductible, et non dans l’idée de traiter le modèle de langage comme un substitut à un logiciel de biologie structurale.

Les preuves restent préliminaires et issues du fournisseur. L’exemple de Seh1 montre que les entrées MSA peuvent affecter matériellement la confiance du complexe prédit, mais il s’agit d’un seul workflow et non d’une étude de validation expérimentale. Pour les constructeurs et les acheteurs, la question immédiate est de savoir si ce modèle d’orchestration peut fournir des résultats fiables et vérifiables à travers de grands programmes de recherche, avec un niveau de coût et de sécurité acceptable pour les laboratoires.