que paso
NVIDIA dice que integró BioNeMo Agent Toolkit con Anthropic Science de Anthropic para que los agentes puedan descubrir y llamar a microservicios BioNeMo NIM locales o remotos. Su publicación técnica demuestra un flujo de trabajo que recupera secuencias de proteínas, genera alineaciones evolutivas, ejecuta predicciones OpenFold3 y Boltz-2 y preserva los artefactos resultantes para su revisión.
La publicación técnica de NVIDIA del 31 de agosto describe BioNeMo Agent Toolkit como un paquete de modelos, bibliotecas y flujos de trabajo de ciencias biológicas que pueden exponerse como habilidades invocables por el agente. La compañía dice que el conjunto de herramientas cubre biología, química, genómica y descubrimiento de fármacos, y está diseñado para funcionar con diferentes marcos de agentes.
En la configuración demostrada, Claude Science organiza tres microservicios NIM NVIDIA: MSA Search para alineamientos evolutivos, OpenFold3 para predicción de estructuras y Boltz-2 para un segundo conjunto de predicciones. NVIDIA dice que los puntos de referencia internos aumentaron la corrección de las tareas del 60 % al 100 % y aproximadamente duplicaron la eficiencia de los tokens; esas cifras son informadas por la empresa y no se prueban de forma independiente en la publicación. El tutorial requiere Claude Science, una clave API NVIDIA y acceso a una estación de trabajo o máquina en la nube con una GPU NVIDIA L40S o H100. NVIDIA estima alrededor de 700 GB de almacenamiento para el flujo de trabajo, incluidos aproximadamente 490 GB para una base de datos solo UniRef30 y entre 30 y 40 GB para los contenedores Boltz-2 y OpenFold3. La publicación también describe alternativas en las que Claude Science se ejecuta en una computadora portátil mientras se conecta a una GPU remota a través de SSH, infraestructura HPC o computación en la nube.
El tutorial utiliza contenedores Docker locales conectados a la GPU del host y requiere comprobaciones de estado antes de que se aprueben los puntos finales. Para su ejemplo biológico, el flujo de trabajo compara la proteína Seh1 C1GY11 de Paracoccidioides lutzii sola y con un socio propuesto, C1HCX1. NVIDIA informa que el agente recuperó secuencias de 384 y 976 residuos, respectivamente, y encontró 202 secuencias para cada proteína durante las búsquedas de MSA. Creó alineaciones no emparejadas para las cadenas individuales y una alineación emparejada por especies para el caso de dos cadenas. Luego, el flujo de trabajo ejecutó predicciones de monómeros y heterómeros sin plantillas, ligandos, bolsas u otras restricciones estructurales, utilizando resultados mmCIF y conservando solicitudes, respuestas, estructuras, métricas y errores.
La publicación informa que OpenFold3 produjo una interfaz pTM, o iPTM, de 0,86 para el heterómero con entrada de MSA, mientras que Boltz-2 produjo 0,82. En comparaciones adicionales de cinco muestras, los valores informados de MSA versus no MSA fueron 0,85 versus 0,14 para OpenFold3 y 0,82 versus 0,19 para Boltz-2. NVIDIA dice que las muestras se agruparon estrechamente, con desviaciones estándar no superiores a 0,006, y que presupuestos de muestreo más generosos no cambiaron materialmente el patrón. Las dos familias de modelos utilizan arquitecturas diferentes y manejan el emparejamiento de MSA de manera diferente, pero sus puntuaciones de interfaz compatibles con MSA estuvieron dentro de 0,03 en la comparación descrita.
Detalles de la fuente: developer.nvidia.com ↗
Por qué es importante
El ejemplo muestra cómo un agente de investigación de IA puede conectar modelos biológicos especializados en un flujo de trabajo reproducible en lugar de simplemente resumir la literatura científica. También informa que la alineación evolutiva fue decisiva para la interfaz proteica predicha en esta prueba, al tiempo que deja claro que la concordancia del modelo no es prueba de una interacción biológica.
El significado práctico es la capa de orquestación. El plegamiento de proteínas y la predicción compleja requieren entradas especializadas, formatos específicos del modelo y parámetros que un agente de propósito general tal vez no sepa cómo seleccionar o aplicar. En la cuenta de NVIDIA, Claude Science identifica los servicios necesarios, prepara las secuencias y alineaciones, inicia los puntos finales, envía las predicciones y registra los artefactos. Eso convierte al agente de IA en un operador de un proceso científico, no simplemente en una interfaz conversacional para un modelo único.
Los resultados también ilustran por qué la calidad de los insumos puede ser tan importante como la selección del modelo. En la prueba de NVIDIA, la eliminación del MSA provocó que la confianza prevista en la interfaz del heterómero cayera drásticamente tanto en OpenFold3 como en Boltz-2. El monómero pLDDT informado de OpenFold3 cayó de 82,3 con MSA a 36 sin él, mientras que el valor correspondiente de Boltz-2 pasó de 0,79 a 0,73 en su escala de 0 a 1. La comparación sugiere que la información evolutiva fue especialmente importante para establecer el contacto entre las dos cadenas, aunque se trata de resultados de confianza de servicios de predicción más que mediciones de un complejo biológico real.
La comparación estructural añade una hipótesis más específica. NVIDIA dice que ambos modelos colocaron un grupo de hebras beta C1HCX1 cerca del borde abierto de la hélice beta WD40 de Seh1, en una posición asociada con el cierre de la pala final. Según se informa, la superposición de los núcleos Seh1 produjo RMSD C-alfa de 0,68 angstrom para OpenFold3 y 0,65 angstrom para Boltz-2 en la mayor parte de la cadena. La empresa interpreta esto como si el socio completara un pliegue existente en lugar de remodelarlo sustancialmente. El acuerdo entre modelos computacionales independientes hace que la geometría propuesta sea más útil como objetivo de investigación, pero no establece que las proteínas se unan a las células vivas o realicen la función propuesta juntas.
Mecanismo interactivo: cómo funciona realmente
Explore la tecnología subyacente detrás de este desarrollo de forma interactiva.
crm_get_transaction(id='4092').An agent must create a draft calendar event for Tuesday at 2 p.m. Which evidence would establish the requested result?
Qué ver a continuación
Las principales preguntas abiertas son si el flujo de trabajo se generaliza más allá de un par de proteínas, cuánto cuesta y cuánto tiempo lleva ejecutarlo, y si los experimentos de laboratorio confirman la asociación predicha. NVIDIA informa puntos de referencia internos del kit de herramientas y puntuaciones de confianza del modelo, pero la publicación no proporciona replicación independiente, mediciones de tiempo de ejecución ni validación experimental.
La limitación más clara es la validación biológica. NVIDIA dice explícitamente que el flujo de trabajo predice una interacción C1GY11-C1HCX1 y que el resultado no se ha verificado experimentalmente. El ejemplo está motivado por una observación estructural previa que involucra a Seh1 y un socio de la familia Mio, pero esta publicación en sí informa un análisis computacional.
El trabajo de seguimiento necesitaría evidencia de laboratorio, como pruebas bioquímicas o celulares, para determinar si la asociación prevista existe y si tiene un papel biológico. La generalización tampoco está resuelta. La demostración se centra en un par de proteínas de una especie de hongo, un perfil de base de datos UniRef30 y configuraciones de búsqueda y muestreo específicas. Los cambios de confianza informados muestran que los MSA soportaban carga en este caso, pero no establecen que todos los complejos proteicos se beneficien en el mismo grado o que una puntuación alta de la interfaz prediga de manera confiable la unión entre diferentes proteínas.
Las cifras internas de corrección de tareas y eficiencia de tokens de NVIDIA también carecen de la definición de referencia, el conjunto de pruebas, la línea de base de comparación y la evaluación independiente necesarias para evaluar su significado más amplio. Los detalles operativos determinarán si esto se puede utilizar fuera de una demostración. La publicación requiere almacenamiento local sustancial, GPU NVIDIA compatibles, descargas de contenedores, una clave API y aprobación manual de puntos finales.
Dice que las métricas de tiempo de ejecución estaban presentes pero vacías para las ejecuciones informadas, por lo que los lectores no pueden inferir la latencia, el uso de energía, el costo de la nube o el rendimiento. Boltz-2 y OpenFold3 también informan valores de confianza en diferentes escalas y exponen diferentes campos, lo que limita la comparación numérica directa. La siguiente evidencia significativa serían ensayos reproducibles realizados por investigadores externos, mediciones de recursos publicadas, pruebas de complejos proteicos más amplias y la confirmación experimental de la hipótesis estructural.