Замыкание разрыва между ИИ и биологией
Обычные кодовые агенты часто терпят неудачу в научных вычислениях, так как биология не подчиняется жестким правилам программирования. NVIDIA решила эту проблему, выпустив BioNeMo Agent Toolkit — открытую библиотеку «навыков» (skills), которые упаковывают сложные биомолекулярные модели в интерфейсы, понятные AI-агентам. Платформа объединяет ускоренный слой инструментов (NIM, cuEquivariance, Parabricks) и готовые интерфейсы для агентов, позволяя им самостоятельно выбирать модели, вызывать их и интерпретировать результаты.
Ключевые метрики эффективности
В ходе тестирования на базе Codex CLI с использованием GPT-5.5 fast команда NVIDIA зафиксировала радикальное улучшение показателей. Агенты, получившие доступ к документированным навыкам BioNeMo, перешли от хаотичных попыток к структурированному выполнению задач. Ключевые изменения:
- Завершение задач: рост с 57,1% (без навыков) до 100% (с навыками).
- Эффективность токенов: количество проходящих проверок (assertions) выросло в 2 раза на 1000 токенов.
- Надежность: агенты больше не «угадывают» форматы ввода, а читают спецификации из файлов
SKILL.md.
| Параметр | Обычный агент | Агент + BioNeMo Skills |
|---|---|---|
| Успешность задач | 57,1% | 100% |
| Эффективность (проверки на 1k токенов) | Базовый уровень | 2x больше |
| Выбор модели | Случайный/угадывание | На основе документации |
| Обработка ошибок | Неизвестно | Документированные сценарии |
Архитектура и доступные модели
Каждый навык представляет собой директорию с файлом SKILL.md, содержащим YAML-фронтматтер и инструкции. Это позволяет агентам (таким как Claude или Codex) понимать цель модели, требуемые входные данные и возможные сбои. Платформа поддерживает как хостинговые NIM-эндпоинты для быстрого доступа, так и локальные развертывания для работы с чувствительными данными.
В набор входят такие модели, как OpenFold3 (предсказание структуры), Boltz-2, DiffDock (молекулярный докинг), GenMol (генеративная химия) и ProteinMPNN. Особый интерес представляет мета-навык generative_protein_binder_design, который автоматически выстраивает цепочку: RFdiffusion → ProteinMPNN → OpenFold3 для дизайна белковых связывающих молекул.
Практическое применение и ограничения
Инструментарий уже позволяет агентам генерировать файлы CIF для структур белков, A3M для множественного выравнивания последовательностей и SDF/SMILES для химических соединений. Однако NVIDIA предупреждает: эндпоинты на build.nvidia.com предназначены только для разработки и тестирования, а не для продакшена. Ученые обязаны вручную проверять структуры с низкой уверенностью и фильтровать сгенерированные молекулы перед использованием в реальных исследованиях.
Источник: MarkTechPost ↗