NVIDIA leva fluxos de trabalho de dobramento de proteínas BioNeMo ao Claude Science

A NVIDIA publicou um fluxo de trabalho que conecta suas ferramentas de ciências da vida BioNeMo ao Claude Science da Anthropic, permitindo que um agente de IA inicie serviços com GPU para previsão de estruturas proteicas. A integração permite que o Claude coordene buscas de sequências, execute vários modelos de dobramento e compare estruturas proteicas previstas dentro de uma única sessão de pesquisa.

O anúncio é significativo menos como um novo modelo de dobramento e mais como um exemplo de infraestrutura: ele mostra como um agente científico geral pode ser conectado a serviços biológicos especializados sem que os pesquisadores precisem operar manualmente cada ferramenta. A NVIDIA e a Anthropic descrevem a configuração como uma colaboração, mas as evidências disponíveis vêm principalmente da documentação para desenvolvedores da NVIDIA e devem ser tratadas como informações reportadas pelo fornecedor.

Conectando o Claude Science aos serviços BioNeMo

O BioNeMo Agent Toolkit da NVIDIA empacota modelos, bibliotecas e fluxos de trabalho para biologia, química, genômica e descoberta de medicamentos como habilidades que um agente pode chamar. Na configuração demonstrada, essas habilidades são importadas para o Claude Science, a bancada de trabalho de IA da Anthropic para pesquisa científica, e conectadas a microserviços NVIDIA NIM executados em contêineres Docker.

O fluxo de trabalho usa três serviços: o MSA Search NIM acelerado por GPU, o OpenFold3 NIM e o Boltz-2 NIM. O Claude pode descobrir os serviços disponíveis, solicitar a criação de endpoints e orquestrar a sequência de operações. Os usuários ainda aprovam os endpoints do modelo e fornecem uma chave de API da NVIDIA, portanto o sistema não é apresentado como um pipeline de pesquisa autônomo.

A implantação foi projetada para uma máquina com GPU NVIDIA L40S ou H100, embora a NVIDIA diga que o Claude Science também pode ser executado em um laptop enquanto se conecta a computação remota por SSH, infraestrutura de computação de alto desempenho ou serviços em nuvem como a Modal. O exemplo requer cerca de 700 GB de armazenamento. A maior parte desse espaço vem do banco de dados UniRef30 usado pelo serviço de busca MSA, enquanto os contêineres dos modelos de dobramento adicionam aproximadamente 30–40 GB, segundo a NVIDIA.

Um fluxo de trabalho para complexo proteico, não apenas uma chamada de modelo

O tutorial aplica a configuração ao Seh1 e a um parceiro proposto da família Mio do fungo Paracoccidioides lutzii. A questão de pesquisa é como a estrutura prevista do Seh1 muda quando modelada sozinha em comparação com um complexo de duas proteínas.

O Claude recupera as sequências do UniProt e prepara alinhamentos múltiplos de sequência não pareados e pareados por espécie. Os alinhamentos não pareados fornecem informações evolutivas para cada cadeia, enquanto o alinhamento pareado tenta corresponder proteínas relacionadas encontradas na mesma espécie. Esse pareamento pode fornecer pistas sobre coevolução e possíveis sítios de interação.

O agente então envia os alinhamentos para o OpenFold3 e para o Boltz-2 de forma independente. Cada modelo produz uma previsão de cadeia única e uma previsão de complexo, permitindo que o pesquisador compare os resultados dentro de cada sistema em vez de depender da saída de apenas um modelo. A NVIDIA diz que a execução reteve as sequências, alinhamentos, entradas do modelo e saídas para que a análise pudesse ser verificada depois.

No exemplo, a sequência de Seh1 tem 384 resíduos e o parceiro proposto, identificado como C1HCX1, tem 976 resíduos. A busca retornou 202 sequências para cada proteína. A NVIDIA afirma que a execução não usou sequências truncadas, modelos estruturais, ligantes ou restrições adicionais.

O que os resultados relatados mostram

A NVIDIA relata que tanto o OpenFold3 quanto o Boltz-2 produziram pontuações altas de confiança de interface para o complexo Seh1–C1HCX1 quando receberam informações de MSA. As pontuações iPTM relatadas foram 0,85 para o OpenFold3 e 0,82 para o Boltz-2. Sem a entrada de MSA, as pontuações caíram para 0,14 e 0,19, respectivamente.

Esses resultados sustentam uma conclusão específica sobre este fluxo de trabalho: o alinhamento evolutivo é uma entrada crítica para a tarefa testada de previsão de interface. Eles não estabelecem que qualquer um dos modelos identificará de forma confiável interações proteicas em sistemas biológicos variados, nem validam experimentalmente a interação fúngica proposta. A interpretação estrutural no tutorial também é um resultado baseado em modelo. A NVIDIA diz que ambos os sistemas de dobramento colocaram independentemente as mesmas fitas beta C1HCX1 na posição associada ao fechamento do barril beta WD40 do Seh1, consistente com uma observação do preprint de pesquisa citado.

A NVIDIA também relata resultados internos de benchmark nos quais as habilidades BioNeMo aumentaram a correção das tarefas de 60% para 100% e aproximadamente dobraram a eficiência de tokens. Essas são medições controladas pelo fornecedor; a postagem não fornece metodologia suficiente para avaliar seu escopo, a seleção da linha de base ou a reprodutibilidade. Nenhuma avaliação independente ou dado de adoção por clientes está incluído nas fontes disponíveis.

Por que a integração importa para builders e equipes de pesquisa

Para os builders de IA, a principal mudança é a fronteira entre o raciocínio do modelo de linguagem e a execução específica do domínio. Um agente de propósito geral pode reconhecer que uma proteína deve ser dobrada, mas ainda precisa saber qual modelo usar, como formatar suas entradas, se um alinhamento é necessário e como interpretar saídas concorrentes. O BioNeMo Agent Toolkit foi projetado para codificar esse conhecimento operacional como habilidades invocáveis.

Essa abordagem pode reduzir o trabalho de integração para equipes que constroem agentes científicos. Em vez de escrever código separado de orquestração para recuperação de sequências, geração de alinhamentos, gerenciamento de contêineres e comparação de modelos, os desenvolvedores podem expor essas capacidades a um agente por meio de um fluxo de trabalho comum. A contrapartida é que a confiabilidade passa a residir nas definições de habilidade, na configuração de endpoints, na proveniência dos dados e nos controles de aprovação. Um agente fluente não elimina a necessidade de validar sequências, monitorar computação ou revisar conclusões biológicas.

Os requisitos de implantação também tornam os custos concretos. Uma pegada local de 700 GB, acesso a uma L40S ou H100 e vários contêineres de modelos podem ser práticos para um laboratório bem financiado ou um grupo de pesquisa corporativo, mas difíceis para desenvolvedores individuais. O acesso remoto a GPU pode melhorar a flexibilidade, ao mesmo tempo em que introduz preocupações com transferência de dados, disponibilidade de rede, gastos em nuvem e manuseio de sequências proprietárias.

Para compradores corporativos, a integração aponta para um modelo operacional híbrido e não para uma experiência totalmente hospedada. O Claude Science fornece a interface de pesquisa e a camada de agente, enquanto os serviços NVIDIA NIM podem ser executados em recursos locais de GPU. Isso pode atrair organizações que precisam de maior controle sobre dados biológicos, mas elas ainda precisarão avaliar licenciamento de modelos, suporte de infraestrutura, limites de segurança e auditabilidade das ações do agente.

O que observar a seguir

O sinal de acompanhamento mais claro será se o BioNeMo Agent Toolkit se expandir além deste exemplo documentado de dobramento de proteínas para fluxos de trabalho validados para docking, design molecular, genômica ou planejamento experimental. Os desenvolvedores também devem observar testes independentes da correção relatada do toolkit e dos ganhos de eficiência de tokens.

Os detalhes de infraestrutura importarão à medida que a adoção crescer. A documentação da NVIDIA deve esclarecer configurações de GPU suportadas, gerenciamento do ciclo de vida dos endpoints, monitoramento e se implantações menores podem evitar a carga total de armazenamento do UniRef30. Os pesquisadores também vão querer exemplos reproduzíveis em mais proteínas e complexos, especialmente casos em que os modelos divergem ou em que a qualidade do MSA é limitada.

Por fim, o mercado vai observar quão fortemente o Claude Science continua acoplado à infraestrutura da NVIDIA. O toolkit é descrito como compatível com qualquer framework de agentes, mas esta demonstração dá à NVIDIA uma forma de posicionar suas GPUs, contêineres NIM e modelos BioNeMo como a camada de execução para agentes científicos.

Perspectiva da Creati.ai

Este é um anúncio de infraestrutura relevante porque demonstra um padrão prático para IA científica: um agente cuida do planejamento e da coordenação enquanto serviços especializados realizam a computação cara e específica do domínio. O valor está em conectar essas etapas de forma reprodutível, não em tratar o modelo de linguagem como substituto de software de biologia estrutural.

As evidências continuam iniciais e lideradas pelo fornecedor. O exemplo do Seh1 mostra que as entradas de MSA podem afetar materialmente a confiança do complexo previsto, mas é um único fluxo de trabalho e não um estudo de validação experimental. Para builders e compradores, a pergunta imediata é se esse modelo de orquestração pode entregar resultados confiáveis e verificáveis em programas de pesquisa maiores, com um perfil de custo e segurança que os laboratórios aceitem.