NVIDIA 將 BioNeMo 蛋白質摺疊工作流程帶入 Claude Science

NVIDIA 已發布一套工作流程，將其 BioNeMo 生命科學工具與 Anthropic 的 Claude Science 連接，讓 AI 代理能夠啟動由 GPU 支援的蛋白質結構預測服務。這項整合可讓 Claude 在同一個研究會話中協調序列搜尋、執行多個摺疊模型，並比較預測出的蛋白質結構。

這項公告的重要性與其說在於它是一個新的摺疊模型，不如說它是一個基礎架構範例：它展示了通用科學代理如何連接到專門的生物學服務，而不需要研究人員手動操作每一個工具。NVIDIA 與 Anthropic 將此配置描述為合作，但現有證據主要來自 NVIDIA 自身的開發者文件，因此應視為廠商報告的資訊。

將 Claude Science 連接到 BioNeMo 服務

NVIDIA 的 BioNeMo Agent Toolkit 將生物學、化學、基因體學與藥物發現的模型、函式庫和工作流程打包成代理可呼叫的技能。在示範的設定中，這些技能被匯入 Anthropic 用於科學研究的 AI 工作台 Claude Science，並連接到在 Docker 容器中執行的 NVIDIA NIM 微服務。

此工作流程使用三項服務：GPU 加速的 MSA Search NIM、OpenFold3 NIM 與 Boltz-2 NIM。Claude 可以探索可用服務、要求建立端點，並協調操作順序。使用者仍需核准模型端點並提供 NVIDIA API 金鑰，因此該系統並未被呈現為無人監督的研究管線。

此部署是為配備 NVIDIA L40S 或 H100 GPU 的機器所設計，不過 NVIDIA 表示，Claude Science 也可以在筆電上執行，同時透過 SSH、高效能運算基礎架構，或像 Modal 這類雲端服務連接到遠端運算。這個範例大約需要 700 GB 儲存空間。根據 NVIDIA 的說法，其中大部分容量來自 MSA 搜尋服務所使用的 UniRef30 資料庫，而摺疊模型容器則另外增加約 30–40 GB。

一個蛋白質複合體工作流程，而不只是模型呼叫

本教學將此設定應用於真菌 Paracoccidioides lutzii 的 Seh1 與一個假設的 Mio 家族夥伴。研究問題是：當 Seh1 被單獨建模時，與作為雙蛋白複合體建模時，其預測結構會如何改變。

Claude 會從 UniProt 取得序列，並準備未配對與按物種配對的多重序列比對。未配對比對為每條鏈提供演化資訊，而配對比對則嘗試匹配在同一物種中找到的相關蛋白。這種配對可以提供共同演化與可能交互作用位點的線索。

接著，代理會將比對結果分別送往 OpenFold3 與 Boltz-2。每個模型都會產生單鏈預測與複合體預測，讓研究人員能夠在各自系統內比較結果，而不是依賴單一模型的輸出。NVIDIA 表示，此次執行保留了序列、比對、模型輸入與輸出，以便之後可以檢查分析。

在此範例中，Seh1 序列長度為 384 個胺基酸殘基，而被識別為 C1HCX1 的假設夥伴則為 976 個殘基。搜尋為每個蛋白質各返回 202 個序列。NVIDIA 表示，此次執行未使用截短序列、結構模板、配體或額外限制條件。

報告結果顯示了什麼

NVIDIA 報告指出，當提供 MSA 資訊時，OpenFold3 與 Boltz-2 都為 Seh1–C1HCX1 複合體產生了高界面信心分數。所報告的 iPTM 分數為 OpenFold3 的 0.85 與 Boltz-2 的 0.82。若沒有 MSA 輸入，分數則分別降至 0.14 與 0.19。

這些結果支持關於此工作流程的一個特定結論：演化比對是該界面預測任務的關鍵輸入。它們並不能證明任一模型能夠可靠地在各種生物系統中識別蛋白質交互作用，也無法實驗驗證所提議的真菌交互作用。教學中的結構詮釋同樣是基於模型的結果。NVIDIA 表示，兩個摺疊系統都獨立地將相同的 C1HCX1 beta strands 放置在與關閉 Seh1 的 WD40 beta propeller 相關的位置，這與所引用研究預印本中的觀察一致。

NVIDIA 也報告了內部基準測試結果，其中 BioNeMo 技能將任務正確率從 60% 提升至 100%，並大約將 token 效率加倍。這些是由廠商控制的測量；該貼文未提供足夠的方法論來評估其範圍、基準選擇或可重現性。現有來源中不包含任何獨立評估或客戶採用數據。

為何這項整合對建構者與研究團隊重要

對 AI 建構者而言，最主要的改變在於語言模型推理與領域專屬執行之間的界線。通用代理可能知道蛋白質應該被摺疊，但仍需要知道該使用哪個模型、如何格式化輸入、是否需要比對，以及如何解讀相互競爭的輸出。BioNeMo Agent Toolkit 的目標是將這些操作知識編碼為可呼叫的技能。

這種做法可減少建立科學代理的團隊所需的整合工作。開發者不必為序列擷取、比對生成、容器管理與模型比較分別撰寫協調程式碼，而是可以透過共同工作流程將這些能力暴露給代理。其取捨在於，可靠性會轉移到技能定義、端點設定、資料來源與核准控制上。即使代理運作流暢，也不代表可以免除驗證序列、監控運算或審查生物學結論的必要。

部署需求也讓成本變得具體。700 GB 的本機儲存空間、存取 L40S 或 H100，以及多個模型容器，對資金充足的實驗室或企業研究團隊或許可行，但對個別開發者來說可能相當困難。遠端 GPU 存取可提高彈性，同時也引入資料傳輸、網路可用性、雲端支出以及專有序列處理等方面的顧慮。

對企業買家而言，這項整合指向的是混合式營運模式，而非完全託管的體驗。Claude Science 提供研究介面與代理層，而 NVIDIA NIM 服務則可在本機 GPU 資源上執行。這對需要更高生物資料控制權的組織可能具有吸引力，但他們仍需評估模型授權、基礎架構支援、安全邊界，以及代理行為的可稽核性。

接下來要觀察什麼

最明顯的後續訊號將是 BioNeMo Agent Toolkit 是否會超越這個有文件記錄的蛋白質摺疊範例，擴展到已驗證的對接、分子設計、基因體學或實驗規劃工作流程。開發者也應留意該工具包所宣稱的正確率與 token 效率提升是否有獨立測試。

隨著採用增加，基礎架構細節將變得重要。NVIDIA 的文件應說明支援的 GPU 配置、端點生命週期管理、監控，以及較小規模部署是否能避免完整的 UniRef30 儲存負擔。研究人員也會希望看到更多蛋白質與複合體的可重現範例，尤其是模型意見分歧或 MSA 品質有限的案例。

最後，市場將關注 Claude Science 與 NVIDIA 基礎架構的耦合是否依然緊密。該工具包被描述為與任何代理框架相容，但這次示範為 NVIDIA 提供了一種方式，將其 GPU、NIM 容器與 BioNeMo 模型定位為科學代理的執行層。

Creati.ai 觀點

這是一項有意義的基礎架構公告，因為它展示了科學 AI 的實用模式：代理負責規劃與協調，而專門服務執行昂貴、領域專屬的運算。價值在於可重現地連接這些步驟，而不是把語言模型當作結構生物學軟體的替代品。

目前的證據仍屬早期且由廠商主導。Seh1 的範例顯示，MSA 輸入會實質影響預測複合體的信心，但這只是一個工作流程，並非實驗驗證研究。對建構者與買家而言，當前的問題是：這種協調模型能否在更大規模的研究計畫中，以實驗室可接受的成本與安全配置，提供可靠且可檢查的結果。