NVIDIA BioNeMo NIM mikroszolgáltatások kerültek a Claude Science-be

BioNeMo eszközkészlet tudományos ügynököknek

Az NVIDIA szerint az ügynöki AI egyre nagyobb szerepet kap a kutatási munkafolyamatokban: az ilyen rendszerek tanulmányokat olvashatnak, hipotéziseket javasolhatnak, modelleket hívhatnak meg, és segíthetnek eldönteni, mely kísérleteket érdemes előre venni.

A vállalat BioNeMo Agent Toolkit nevű eszközkészlete több mint egy évtizednyi NVIDIA BioNeMo élettudományi modellt, könyvtárat és munkafolyamatot csomagol ügynökök által meghívható képességekbe. A területek között szerepel a biológia, a kémia, a genomika és a gyógyszerkutatás.

Az NVIDIA állítása szerint a BioNeMo képességek belső benchmarkokon 60%-ról 100%-ra emelték a feladatok helyességét, és nagyjából megduplázták a tokenhatékonyságot. A cég szerint az eszközkészlet bármely ügynökkeretrendszerrel futtatható, és speciális szakterületi tudással támogat összetett tudományos munkafolyamatokat.

Claude Science integráció és helyi GPU-s futtatás

Az NVIDIA és az Anthropic együtt dolgozott azon, hogy a BioNeMo Agent Toolkit bekerüljön a Claude Science-be, amelyet a forrás az Anthropic tudományos kutatáshoz készült AI-munkafelületeként ír le. Az integráció célja, hogy az ügynökök közvetlenül kezelhessék a BioNeMo NIM mikroszolgáltatásokat.

A bemutatott útmutató egy GPU-val rendelkező gépen futtatott konfigurációra koncentrál. A példához NVIDIA L40S GPU-val vagy NVIDIA H100 GPU-val felszerelt munkaállomásra vagy felhős gépre, valamint telepített Claude Science-re van szükség.

A munkafolyamat körülbelül 700 GB tárhelyet igényel. Ebből az msa-search NIM UniRef30 adatbázisa körülbelül 490 GB, ha a UniRef30-only profilt használják a teljes 1,4 TB-os készlet helyett. A Boltz-2 és OpenFold3 konténerek együtt 30, 40 GB közötti méretűek.

A Claude Science alapértelmezés szerint sandboxban fut. A BioNeMo NIM mikroszolgáltatások futtatásához olyan számítási végpontokra van szükség, amelyek helyi vagy távoli GPU-erőforrásokat tesznek elérhetővé. A forrás szerint a Claude Science-ben a Customize, Compute, NVIDIA BioNeMo NIM, Connect útvonalon lehet csatlakozni, majd GitHubról importálhatók a BioNeMo Agent Toolkit képességei, hozzáadható az NVIDIA API-kulcs, és beállíthatók a helyi Docker-konténerek.

Seh1 és C1HCX1 fehérjéken mutatták be a folyamatot

A tutorial a Paracoccidioides lutzii gombából származó kétfehérjés rendszert vizsgál: a Seh1 nukleáris pórusfehérjét, amelynek hozzáférési azonosítója C1GY11, valamint egy nem jellemzett, javasolt partnert, a C1HCX1-et. A forrás szerint a kérdés az, hogyan különbözik a Seh1 előrejelzett szerkezete, ha önmagában modellezik, illetve ha a javasolt partnerrel együtt.

A példa a Han, Tsenkov, Venanzi és szerzőtársaik „AlphaFold Database expands to proteome-scale quaternary structures” című bioRxiv-kéziratának 4e ábrájához kapcsolódik, DOI: 10.64898/2026.03.27.714458. Az NVIDIA leírása szerint a Seh1 és a Mio-családba tartozó fehérjék konzervált tápanyag-érzékelő gépezetben vesznek részt, más organizmusokból származó struktúrák pedig arra utalnak, hogy a Mio kiegészítheti a Seh1 egyébként nyitott β-propellerét.

A Claude Science a célfehérjékhez evolúciós kontextust épít többszörös szekvenciaillesztéssel, vagyis MSA-val. Ezt az illesztést két független hajtogatási modellnek adja át, miközben megőrzi a bemeneteket és kimeneteket, hogy az egyláncú és kétláncú előrejelzések modellenként vizsgálhatók legyenek.

Háromlépcsős proteinstruktúra-előrejelzés

A munkafolyamat három szakaszból áll. Először a GPU-gyorsított MSA Search NIM készít MSA-kat egyláncú és fajpárosított szekvenciákhoz. Ezután az OpenFold3 NIM előrejelzi az egyláncú és kétláncú komplex szerkezetét. Végül ugyanezeket az előrejelzéseket a Boltz-2 NIM is lefuttatja, és mindkét modellt külön értékelik.

Az ügynök a UniProt adatbázisból lekéri a két fehérjeszekvenciát. Először párosítatlan illesztést készít mindkét fehérjéhez, majd párosított illesztést hoz létre úgy, hogy azonos fajban megtalált rokon fehérjeváltozatokat illeszt össze. A forrás szerint ha az egyik fehérje változásai következetesen együtt járnak a másik fehérje változásaival, ez segíthet a modelleknek megjósolni, hol léphetnek kölcsönhatásba.

Ebben a futásban a keresés mindkét fehérjéhez 202 szekvenciát adott vissza. Az ügynök rögzítette a Seh1 forrását és szekvenciáját, amely 384 aminosavmaradékból áll, valamint a C1HCX1 adatait, amely 976 aminosavmaradékból áll. A futás nem vágta meg egyik szekvenciát sem, és nem adott szerkezeti sablonokat, ligandumokat vagy más korlátozásokat.

Mit mutat a példa a kutatóknak és a piacnak

A benchmarkban a Seh1 monomer és a Seh1, C1HCX1 heteromer előrejelzéseit hasonlították össze. MSA-bemenettel az OpenFold3 és a Boltz-2 is magas interfészbizalmat ért el, iPTM 0,85, illetve 0,82 értékkel. MSA nélkül ezek az értékek 0,14-re és 0,19-re estek vissza.

Az NVIDIA értelmezése szerint ez azt mutatja, hogy az evolúciós illesztés teherhordó bemenet az interfész-előrejelzésben. A szerkezeti egymásra illesztés alapján a Seh1 hajtogatása a partner jelenlétében kiegészül, nem átalakul, és mindkét modell egymástól függetlenül ugyanazokat a C1HCX1 β-szálakat helyezte a WD40 velcro-closure pozícióba. A forrás szerint ez reprodukálja Han, Tsenkov, Venanzi és szerzőtársaik megfigyelését.

A felhasználók szempontjából a bejelentés azért lényeges, mert a Claude Science-ből ügynök által vezérelt, több modellből álló proteinstruktúra-előrejelzési folyamat indítható, amelyben az MSA Search, az OpenFold3 és a Boltz-2 NIM mikroszolgáltatások egymásra épülnek. A forrás következő lépésként a BioNeMo Agent Toolkit GitHubon való kipróbálását javasolja más monomerekre és komplexekre.