NVIDIA приносит рабочие процессы сворачивания белков BioNeMo в Claude Science

NVIDIA опубликовала рабочий процесс, который соединяет ее инструменты BioNeMo для наук о жизни с Claude Science от Anthropic, позволяя ИИ-агенту запускать сервисы на GPU для предсказания структуры белков. Интеграция позволяет Claude координировать поиски последовательностей, запускать несколько моделей сворачивания и сравнивать предсказанные структуры белков в рамках одной исследовательской сессии.

Это объявление важно не столько как новая модель сворачивания, сколько как пример инфраструктуры: оно показывает, как общий научный агент можно подключить к специализированным биологическим сервисам, не требуя от исследователей вручную управлять каждым инструментом. NVIDIA и Anthropic описывают эту настройку как сотрудничество, но доступные доказательства в основном исходят из собственной документации разработчиков NVIDIA и должны рассматриваться как данные, сообщенные вендором.

Подключение Claude Science к сервисам BioNeMo

BioNeMo Agent Toolkit от NVIDIA упаковывает модели, библиотеки и рабочие процессы для биологии, химии, геномики и разработки лекарств в виде навыков, которые агент может вызывать. В показанной конфигурации эти навыки импортируются в Claude Science, ИИ-рабочую среду Anthropic для научных исследований, и подключаются к микросервисам NVIDIA NIM, работающим в контейнерах Docker.

Рабочий процесс использует три сервиса: ускоренный GPU MSA Search NIM, OpenFold3 NIM и Boltz-2 NIM. Claude может обнаруживать доступные сервисы, запрашивать создание конечных точек и выстраивать последовательность операций. Пользователи по-прежнему подтверждают конечные точки модели и предоставляют ключ API NVIDIA, поэтому система не представлена как автономный исследовательский конвейер без участия человека.

Развертывание рассчитано на машину с GPU NVIDIA L40S или H100, хотя NVIDIA говорит, что Claude Science также может работать на ноутбуке, подключаясь к удаленным вычислениям через SSH, высокопроизводительную вычислительную инфраструктуру или облачные сервисы, такие как Modal. Для примера требуется примерно 700 ГБ хранилища. Большая часть этого объема приходится на базу UniRef30, используемую сервисом поиска MSA, а контейнеры моделей сворачивания добавляют примерно 30–40 ГБ, согласно NVIDIA.

Рабочий процесс для белкового комплекса, а не просто вызов модели

В учебнике эта настройка применяется к Seh1 и предполагаемому партнеру семейства Mio из гриба Paracoccidioides lutzii. Исследовательский вопрос заключается в том, как меняется предсказанная структура Seh1, когда ее моделируют отдельно по сравнению с комплексом из двух белков.

Claude извлекает последовательности из UniProt и готовит как непарные, так и видоспаренные множественные выравнивания последовательностей. Непарные выравнивания дают эволюционную информацию для каждой цепи, а парное выравнивание пытается сопоставить родственные белки, найденные в одном и том же виде. Такое сопоставление может дать подсказки о коэволюции и возможных участках взаимодействия.

Затем агент отправляет выравнивания в OpenFold3 и Boltz-2 независимо. Каждая модель выдает предсказание для одной цепи и предсказание комплекса, что позволяет исследователю сравнивать результаты внутри каждой системы, а не полагаться на выход только одной модели. NVIDIA говорит, что в ходе запуска были сохранены последовательности, выравнивания, входные данные модели и выходы, чтобы анализ можно было проверить позже.

В примере последовательность Seh1 составляет 384 остатка, а предполагаемый партнер, идентифицированный как C1HCX1, — 976 остатков. Поиск вернул 202 последовательности для каждого белка. NVIDIA утверждает, что в ходе запуска не использовались усеченные последовательности, структурные шаблоны, лиганды или дополнительные ограничения.

Что показывают сообщенные результаты

NVIDIA сообщает, что и OpenFold3, и Boltz-2 показали высокие показатели доверия к интерфейсу для комплекса Seh1–C1HCX1 при наличии информации MSA. Сообщенные значения iPTM составили 0,85 для OpenFold3 и 0,82 для Boltz-2. Без входных данных MSA показатели упали до 0,14 и 0,19 соответственно.

Эти результаты подтверждают конкретный вывод о данном рабочем процессе: эволюционное выравнивание является критически важным входом для протестированной задачи предсказания интерфейса. Они не доказывают, что какая-либо из моделей надежно определяет белковые взаимодействия в разных биологических системах, и не подтверждают экспериментально предложенное грибковое взаимодействие. Структурная интерпретация в учебнике также является результатом, основанным на модели. NVIDIA говорит, что обе системы сворачивания независимо разместили одни и те же бета-нити C1HCX1 в позиции, связанной с закрытием WD40-бета-пропеллера Seh1, что согласуется с наблюдением из цитируемого исследовательского препринта.

NVIDIA также сообщает о внутренних результатах бенчмарка, в которых навыки BioNeMo повысили правильность выполнения задач с 60% до 100% и примерно удвоили эффективность токенов. Это измерения, контролируемые вендором; публикация не предоставляет достаточной методологии, чтобы оценить их масштаб, выбор базовой линии или воспроизводимость. В доступных источниках нет независимой оценки или данных о внедрении клиентами.

Почему интеграция важна для разработчиков и исследовательских команд

Для ИИ-разработчиков главное изменение — граница между рассуждениями языковой модели и исполнением в конкретной предметной области. Агент общего назначения может понять, что белок следует свернуть, но ему все равно нужно знать, какую модель использовать, как форматировать входные данные, требуется ли выравнивание и как интерпретировать конкурирующие результаты. BioNeMo Agent Toolkit предназначен для того, чтобы кодировать эти операционные знания в виде вызываемых навыков.

Такой подход может сократить объем интеграционной работы для команд, создающих научных агентов. Вместо написания отдельного кода оркестрации для получения последовательностей, генерации выравниваний, управления контейнерами и сравнения моделей разработчики могут предоставить эти возможности агенту через общий рабочий процесс. Компромисс состоит в том, что надежность переносится в определения навыков, конфигурацию конечных точек, происхождение данных и механизмы утверждения. Свободно работающий агент не устраняет необходимость проверять последовательности, следить за вычислениями и пересматривать биологические выводы.

Требования к развертыванию также делают затраты вполне конкретными. Локальный объем в 700 ГБ, доступ к L40S или H100 и несколько контейнеров моделей могут быть практичны для хорошо финансируемой лаборатории или корпоративной исследовательской группы, но сложны для индивидуальных разработчиков. Удаленный доступ к GPU может повысить гибкость, но при этом создает риски, связанные с передачей данных, доступностью сети, облачными расходами и обработкой проприетарных последовательностей.

Для корпоративных покупателей интеграция указывает на гибридную операционную модель, а не на полностью облачный опыт. Claude Science предоставляет исследовательский интерфейс и уровень агента, а сервисы NVIDIA NIM могут работать на локальных GPU-ресурсах. Это может заинтересовать организации, которым нужен больший контроль над биологическими данными, но им все равно придется оценивать лицензирование моделей, поддержку инфраструктуры, границы безопасности и возможность аудита действий агента.

На что смотреть дальше

Самым ясным сигналом станет то, расширится ли BioNeMo Agent Toolkit за пределы этого документированного примера сворачивания белка в проверенные рабочие процессы для докинга, молекулярного дизайна, геномики или планирования экспериментов. Разработчикам также следует отслеживать независимые тесты заявленной точности и повышения эффективности токенов.

По мере роста внедрения важными будут детали инфраструктуры. Документация NVIDIA должна прояснить поддерживаемые конфигурации GPU, управление жизненным циклом конечных точек, мониторинг и возможность для небольших развертываний избежать полного бремени хранения UniRef30. Исследователи также захотят воспроизводимые примеры на большем числе белков и комплексов, особенно в случаях, когда модели расходятся или качество MSA ограничено.

Наконец, рынок будет следить за тем, насколько тесно Claude Science остается связанным с инфраструктурой NVIDIA. Toolkit описан как совместимый с любой агентной платформой, но эта демонстрация дает NVIDIA возможность позиционировать свои GPU, контейнеры NIM и модели BioNeMo как исполнительный слой для научных агентов.

Взгляд Creati.ai

Это важное инфраструктурное объявление, потому что оно демонстрирует практический шаблон для научного ИИ: агент занимается планированием и координацией, а специализированные сервисы выполняют дорогие, предметно-специфические вычисления. Ценность состоит в том, чтобы воспроизводимо связывать эти шаги, а не в том, чтобы рассматривать языковую модель как замену программному обеспечению структурной биологии.

Доказательства по-прежнему ранние и исходят от вендора. Пример Seh1 показывает, что входные данные MSA могут существенно влиять на доверие к предсказанному комплексу, но это один рабочий процесс, а не исследование экспериментальной валидации. Для разработчиков и покупателей главный вопрос сейчас в том, может ли эта модель оркестрации обеспечивать надежные, проверяемые результаты в более масштабных исследовательских программах при таком уровне затрат и безопасности, который приемлем для лабораторий.