Научные исследования переживают фундаментальный сдвиг парадигмы. Если еще недавно искусственный интеллект воспринимался преимущественно как инструмент для анализа уже собранных данных, то сегодня мы наблюдаем переход к эре Agentic AI — автономных агентов, способных самостоятельно формулировать гипотезы, искать литературу, запускать вычислительные эксперименты и интерпретировать результаты. Это особенно актуально в биологии и химии, где процессы итеративны, а домен специфичен. Ученые постоянно оценивают доказательства, уточняют гипотезы и планируют следующие шаги, причем даже неудачные эксперименты могут привести к неожиданным открытиям.
Однако автоматизация научного поиска сталкивается с серьезным барьером: необходимостью работы с узкоспециализированными инструментами. Предсказание структуры белка или докинг молекулы требуют не просто общего понимания языка, но и глубокого знания API, параметров окружения и специфики моделей. Обычный универсальный агент может понять, что задача требует «сворачивания белка», но не знает, какую именно модель запустить, как подготовить входные данные (например, множественное выравнивание последовательностей, MSA) или какие параметры критичны для точности. Именно этот разрыв между намерением агента и технической реализацией закрывает NVIDIA BioNeMo Agent Toolkit.
В этой статье мы подробно разберем практический кейс, опубликованный NVIDIA и Anthropic, где агенты Claude Science используют BioNeMo NIM-микросервисы для предсказания структуры белкового комплекса Seh1. Мы посмотрим, как работает конвейер, какие метрики важны, почему эволюционное выравнивание (MSA) является критическим фактором, и что это значит для будущего биоинформатики.
01Что такое NVIDIA BioNeMo Agent Toolkit?
NVIDIA BioNeMo Agent Toolkit — это не просто набор библиотек, а комплексная платформа, упаковывающая более десятилетия исследований в области наук о жизни (life sciences). Инструмент конвертирует сложные модели, библиотеки и рабочие процессы NVIDIA BioNeMo в «навыки» (skills), вызываемые агентами. Эти навыки охватывают биологию, химию, геномику и разработку лекарств.
Ключевая особенность toolkit'а — его интеграция с фреймворками для создания агентов. Он позволяет агентам orchestrate (координировать) сложные научные рабочие процессы, используя специализированные доменные знания. Внутренние бенчмарки NVIDIA показывают впечатляющие результаты: использование BioNeMo навыков повышает точность выполнения задач с 60% до 100% и примерно удваивает эффективность использования токенов. Это означает, что агенту требуется меньше вычислительных ресурсов и времени для достижения правильного результата.
В данном кейсе используется связка с Claude Science — рабочей средой для научных исследований от Anthropic. Интеграция позволяет агентам обнаруживать, запускать и вызывать микросервисы NVIDIA NIM напрямую, создавая замкнутый цикл: гипотеза → запрос к модели → анализ структуры → новая гипотеза.
02Архитектура решения: От GPU к Агенту
Для запуска такого сложного конвейера требуется мощная инфраструктура. Claude Science поддерживает различные конфигурации в зависимости от расположения GPU и требований безопасности. В описываемом сценарии платформа запускается на машине с GPU, что обеспечивает минимальную задержку и максимальную пропускную способность при работе с большими моделями.
Требования к оборудованию для данного воркфлоу достаточно высоки. Необходима рабочая станция или облачная машина с GPU NVIDIA L40S или NVIDIA H100. Объем хранилища должен составлять около 700 ГБ. Это связано с тем, что база данных UniRef30 для сервиса msa-search-nim занимает около 490 ГБ (при использовании профиля только UniRef30, а не полного набора в 1.4 ТБ). Контейнеры для моделей Boltz-2 и OpenFold3 занимают дополнительно 30–40 ГБ.
Процесс настройки включает несколько шагов:
- Подключение вычислений: В интерфейсе Claude Science выбирается путь Customize > Compute > NVIDIA BioNeMo NIM > Connect.
- Импорт навыков: Из GitHub импортируются навыки BioNeMo Agent Toolkit.
- Конфигурация: Добавляется ключ API NVIDIA и настраивается подключение к локальным эндпоинтам (Docker-контейнерам, использующим GPU хоста).
- Запуск: Агент получает инструкцию создать необходимые эндпоинты NIM-микросервисов: msa-search, openfold3 и boltz2. Запускается проверка работоспособности (smoke test) каждого сервиса.
Важно отметить, что по умолчанию Claude Science работает в песочнице (sandbox). Для запуска BioNeMo NIM-микросервисов требуется доступ к вычислительным эндпоинтам, которые экспонируют ресурсы GPU. После импорта навыков и настройки локального подключения можно начинать новый проект и сессию.
03Научная задача: Белок Seh1 и его партнер
Чтобы продемонстрировать возможности системы, был выбран конкретный биологический кейс. Исследование фокусируется на белке Seh1 и предсказанном партнере из семейства Mio у гриба Paracoccidioides lutzii, вызывающего паракочцидиомикоз. Этот выбор мотивирован данными из работы Han, Tsenkov, Venanzi et al. «AlphaFold Database expands to proteome-scale quaternary structures».
Белки Seh1 и Mio участвуют в консервативных механизмах sensing питательных веществ. Структуры из других организмов предполагают, что белок Mio может «завершать» открытую β-пропеллерную структуру Seh1. Таким образом, эта пара является отличным тестовым полигоном для проверки способности моделей предсказывать комплексы с поддержкой MSA (Multiple Sequence Alignment).
В эксперименте используются два белка из Paracoccidioides lutzii:
- Seh1 (C1GY11): Белок ядерной поры, состоящий из 384 аминокислотных остатков.
- C1HCX1 (C1HCX1): Нехарактеризованный предполагаемый партнер из семейства Mio, состоящий из 976 остатков.
Главный структурный вопрос, на который отвечает агент: Как предсказанная структура Seh1 отличается, когда она моделируется изолированно (мономер), по сравнению с тем, когда она представлена вместе с предполагаемым партнером (гетеромер)?
04Этап 1: Генерация множественного выравнивания последовательностей (MSA)
Первый и, как мы увидим далее, самый критичный этап — создание эволюционного контекста. Агент извлекает последовательности обоих белков из базы данных UniProt и создает два типа выравнивания:
- Непарное выравнивание (Unpaired alignment): Создается для каждого белка отдельно. Это дает информацию о структуре каждой цепи в изоляции.
- Парное выравнивание (Paired alignment): Создается путем сопоставления родственных версий двух белков, найденных в одном и том же виде. Если изменения в одном белке последовательно соответствуют изменениям в другом, эта коэволюционная закономерность помогает моделям предсказать, где белки могут взаимодействовать.
В ходе выполнения запроса агент использует навык msa-search-nim. Поиск возвращает 202 последовательности для каждого белка. Агент фиксирует источник, последовательность, контрольную сумму (checksum) для верификации, а также идентификаторы цепей (A для C1GY11 и B для C1HCX1). Важно, что агент не обрезает последовательности и не предоставляет структурных шаблонов или лигандов, полагаясь исключительно на эволюционную информацию.
Промпт, используемый агентом, строго регламентирует процесс:
I’m comparing the Seh1 protein C1GY11 on its own and with C1HCX1. Load the msa-search-nim skill and download both current FASTA sequences from UniProt. Save where each sequence came from, when you downloaded it, its accession, length, checksum, and chain ID: use A for C1GY11 and B for C1HCX1.
Create an A3M alignment for each protein with the MSA Search NIM. Use Uniref30_2302 only, the ColabFold search type, an E-value of 0.0001, and up to 500 sequences. Then create a paired A3M for the two proteins, in A-then-B order, using greedy pairing.
Save the request, response, A3M files, endpoint, metrics, and any errors. If you cannot make the paired alignment, stop and tell me; do not quietly replace it with a different kind of alignment.Такая строгость необходима, чтобы избежать «галлюцинаций» или подмен данных, которые могут исказить результаты последующего сворачивания.
05Этап 2: Предсказание структуры с помощью OpenFold3
После получения MSA агент переходит к моделированию структуры. Используется микросервис openfold3-nim. Модель OpenFold3 принимает список молекул, где для каждой цепи указывается msa (непарное), а для комплексов — также paired_msa (парное).
Агент запускает два условия с одной и той же последовательностью Seh1:
- Мономер: Цепь A (C1GY11) с ее MSA.
- Гетеромер: Цепи A и B (C1GY11 + C1HCX1) с их MSA плюс парное MSA.
Важное ограничение: используются выходные данные в формате mmCIF, без структурных шаблонов, лигандов или других ограничений. Агент сохраняет все возвращенные образцы и поля уверенности.
Результаты предсказания OpenFold3 демонстрируют разницу в уверенности модели:
| Условие | confidence_score | complex_plddt_score | complex_pde_score | ptm_score | iptm_score |
|---|---|---|---|---|---|
| Seh1 monomer | 0.25 | 82.3 | 0.58 | 0.82 | — (0) |
| Seh1 + C1HCX1 | 0.87 | 78.2 | 1.07 | 0.79 | 0.86 |
Обратите внимание на метрику iptm_score (interface predicted TM-score). Для мономера она равна 0 по определению, так как интерфейса нет. Для гетеромера она составляет 0.86, что указывает на высокую уверенность модели в правильности предсказания контакта между цепями. Композитный confidence_score у мономера низкий (0.25), потому что OpenFold3 сильно взвешивает интерфейс в своей общей оценке, и отсутствие взаимодействия «наказывает» общую оценку, даже если сама структура мономера хороша (pLDDT 82, pTM 0.82).
06Этап 3: Повторное предсказание с Boltz-2
Для верификации результатов тот же конвейер запускается с использованием модели boltz2-nim. Здесь есть важное архитектурное отличие: у Boltz-2 нет отдельного поля paired_msa. Модель принимает одну MSA на цепь и выполняет внутреннее сопоставление (с опциональным параметром concatenate_msas). Поэтому каждая цепь Boltz-2 получает свою пер-цепочечную A3M-выравнивание.
Болтц-2 возвращает более богатый набор метрик уверенности, включая полные матрицы PAE (Predicted Aligned Error) и PDE (Predicted Distance Error). Для комплекса размер матрицы PAE может достигать 1360×1360.
Результаты Boltz-2:
| Условие | confidence | complex_plddt (0–1) | complex_pde | ptm | iptm | protein_iptm |
|---|---|---|---|---|---|---|
| Seh1 monomer | 0.79 | 0.79 | 1.11 | 0.82 | — (0) | — |
| Seh1 + C1HCX1 | 0.77 | 0.75 | 1.33 | 0.76 | 0.82 | 0.82 |
Обе модели (OpenFold3 и Boltz-2) показывают высокую уверенность в интерфейсе (iPTM 0.85 и 0.82 соответственно) при наличии MSA. Это согласованность между моделями с разной архитектурой, что усиливает доверие к результату.
07MSA: Несущая конструкция предсказания
Самым важным открытием этого эксперимента стала роль множественного выравнивания последовательностей (MSA). Поскольку конвейер также запускал предсказания для одиночных последовательностей (без MSA), ценность этапа генерации MSA можно измерить напрямую.
Для гетеромера интерфейс pTM (iPTM) — метрика, сообщающая о предсказанном контакте между двумя цепями, — коллапсирует без MSA в обеих моделях:
| Гетеромер iPTM | с MSA | без MSA | падение |
|---|---|---|---|
| OpenFold3 | 0.85 | 0.14 | 0.72 |
| Boltz-2 | 0.82 | 0.19 | 0.63 |
При наличии MSA iPTM достигает 0.85 для OpenFold3 и 0.82 для Boltz-2. Без MSA он падает до 0.14 и 0.19 соответственно. Пять образцов кластеризуются плотно (стандартное отклонение ≤ 0.006), что указывает на то, что разница является последовательной для всех образцов.
Два теста на устойчивость подтверждают этот результат. Во-первых, запуск каждого условия с более щадящим бюджетом сэмплирования (OpenFold3: diffusion_samples=5; Boltz-2: пять образцов с шестью шагами рециклинга и 200 шагами сэмплирования) не изменил картину. Интерфейс с MSA оставался высоким, а без MSA — коллапсированным. Дополнительное сэмплирование не может заменить эволюционный ввод.
Во-вторых, два семейства моделей с разной архитектурой (и разным механизмом сопоставления MSA для Boltz-2) сходятся в пределах 0.03 iPTM при наличии выравнивания, что является обнадеживающим перекрестным согласованием.
Результаты мономера показывают вид зависимости от MSA. OpenFold3 нуждается в выравнивании даже для сворачивания одиночной цепи (pLDDT падает с 82 до 36 без него); Boltz-2 сворачивает мономер довольно хорошо из одной последовательности (0.79 → 0.73), но все равно не может разместить интерфейс без MSA. В любом случае, Этап 1 представляет собой не просто необязательный шаг предварительной обработки — он служит фундаментом гипотезы о взаимодействии.
08Анализ структуры: Завершение, а не перестройка
После получения предсказаний агент анализирует, изменяет ли предполагаемый партнер структуру Seh1. Для каждой модели он накладывает цепь Seh1 из мономера и гетеромера и исследует область WD40 β-пропеллера.
Структурный анализ воспроизводит наблюдение из исходной статьи (Рисунок 4e): складка Seh1 завершается, а не перестраивается при наличии партнера. Наложение Seh1 между мономером и гетеромером дает значение Cα-RMSD ядра 0.68 Å (OpenFold3, 313/384 остатков) и 0.65 Å (Boltz-2, 307/384 остатков). Это указывает на то, что основная структура Seh1 остается неизменной, а партнер просто заполняет открытую область пропеллера.
Обе модели независимо размещают одни и те же β-нити C1HCX1 в положении закрытия WD40 «липучки», воспроизводя биологическую реальность. Это демонстрирует, что агенты ИИ могут не только предсказывать структуры, но и интерпретировать их в контексте существующих научных знаний, подтверждая или опровергая гипотезы.
09Что это значит на практике
Интеграция NVIDIA BioNeMo Agent Toolkit с Claude Science открывает новые горизонты для биоинформатики и разработки лекарств. Вот ключевые выводы для исследователей и разработчиков:
- Автоматизация рутины: Агенты могут самостоятельно готовить данные (MSA), запускать модели, проверять ошибки и сохранять результаты. Это освобождает ученых от технических задач настройки окружения и парсинга API.
- Критичность данных: Эксперимент наглядно показал, что качество эволюционных данных (MSA) важнее сложности модели или объема вычислений. Без качественных MSA предсказание интерфейсов практически невозможно, независимо от мощности GPU.
- Верификация: Использование нескольких моделей (OpenFold3 и Boltz-2) в одном конвейере позволяет перекрестно проверять результаты. Согласие между моделями повышает доверие к предсказанию.
- Доступность: Благодаря NIM-микросервисам, сложные модели становятся доступными через простые API. Локальный запуск на GPU L40S/H100 делает этот процесс доступным для исследовательских групп, не зависящих от публичных облачных сервисов.
Для исследователей в РФ и СНГ этот подход особенно актуален. Локальный запуск контейнеров BioNeMo позволяет обходить возможные ограничения на доступ к зарубежным облачным AI-сервисам, сохраняя при этом доступ к передовым алгоритмам предсказания структур. Изучение BioNeMo Agent Toolkit на GitHub позволяет применить этот рабочий процесс к другим мономерам и комплексам, ускоряя открытие новых мишеней для лекарств и понимание механизмов заболеваний.
Будущее науки — за гибридными системами, где человеческая интуиция и гипотезы усиливаются вычислительной мощью и автономностью AI-агентов. NVIDIA BioNeMo и Claude Science — это первый шаг к такой эре.
Источник: NVIDIA Developer ↗