От хаоса к структуре: проблема AI-ученых
Общие языковые модели (LLM) часто терпят неудачу в биомолекулярных исследованиях, так как наука не имеет «тестовых suites», как в программировании. AI-агенту недостаточно знать, что нужно свернуть белок; ему требуется точное понимание того, какую модель вызвать, как форматировать запрос и интерпретировать физические артефакты. NVIDIA BioNeMo закрывает этот разрыв, предоставляя BioNeMo Skills — документированные интерфейсы, которые описывают назначение модели, входные данные, ожидаемые артефакты и возможные ошибки.
Ключевые метрики эффективности
Эмпирическое тестирование с использованием CLI Codex и модели GPT-5.5 fast продемонстрировало радикальное улучшение показателей автономных агентов. Интеграция BioNeMo Skills позволила агентам не просто вызывать API, а выстраивать итеративные исследовательские циклы. Результаты сравнения эффективности до и после внедрения платформы приведены ниже:
| Метрика | Без BioNeMo Skills | С BioNeMo Skills | Изменение |
|---|---|---|---|
| Успешность завершения задач | 57.1% | 100% | +42.9% (абсолютно) |
| Эффективность токенов | Базовый уровень | 2x | Удвоение |
| Тип работы | Изолированные вызовы | Итеративные циклы | Переход к production-ready |
Архитектура и доступные модели
BioNeMo Agent Toolkit работает поверх ускоренного стека NVIDIA, используя библиотеки cuEquivariance для структурных моделей и Parabricks для геномики. Платформа поддерживает как хостинг (NIM endpoints), так и локальное развертывание. Агенты могут использовать следующие ключевые модели через Skills или обертки Model Context Protocol (MCP):
- Структурное предсказание: OpenFold3, Boltz-2.
- Доккинг лигандов: DiffDock.
- Генерация молекул: GenMol.
- Анализ последовательностей: MMseqs2 (MSA Search), ProteinMPNN.
- Геномика: Evo 2, Parabricks.
Стратегия развертывания: Hosted vs Local
Платформа предлагает гибкий подход к инфраструктуре. Для разведки и редких вызовов рекомендуется использовать хостинговые NIM-эндпоинты (например, build.nvidia.com), что исключает необходимость управления GPU и базами данных. Однако для итеративных циклов, где агент генерирует кандидаты, проверяет их и корректирует параметры, локальное развертывание (local NIM) критически важно. Внутренние тесты на одном GPU показали, что локальный запуск снижает задержку (warm latency) при повторных вызовах, делая процесс исследования быстрее и безопаснее с точки зрения локальности данных.
Практическое применение
Процесс создания AI-ученого начинается с подключения агента к репозиторию NVIDIA-BioNeMo/bionemo-agent-toolkit. Агент изучает доступные Skills, выбирает подходящую модель (например, OpenFold3 для сворачивания пептида MKTVRQERLKSIVR), формирует запрос и интерпретирует выходные файлы (CIF, SDF, FASTA). Этот подход трансформирует AI из простого инструмента генерации кода в полноценного партнера по научному открытию, способного работать с физическими ограничениями биологии.
Источник: NVIDIA dev blog ↗