NVIDIA довела ИИ в фармацевтике до 100% завершённых задач: тулкит BioNeMo стал открытым

Обычно ИИ в фармацевтике упирается в разрыв между универсальным кодирующим агентом и специфическими задачами биологии: свернуть белок, смоделировать стыковку молекулы, сгенерировать кандидатное соединение. NVIDIA аргументирует просто: общий агент, направленный на биологию, не создаст новое лекарство, потолок агента определяется инструментами, которые он умеет вызывать корректно. Именно этот зазор и закрывает BioNeMo Agent Toolkit, о котором компания опубликовала подробное техническое руководство на своём ресурсе.

Что на самом деле устроено внутри?

BioNeMo Agent Toolkit это открытый репозиторий «навыков» (skills). Каждый навык оборачивает одну биомолекулярную модель NVIDIA так, чтобы ИИ-агент мог вызвать её как готовый сервис.

Платформа состоит из двух слоёв:

• Ускоренный инструментальный слой. NVIDIA NIM (NVIDIA Inference Microservices, микросервисы для запуска моделей) и открытые модели BioNeMo работают как вызываемые сервисы, ускоренные библиотеками вроде cuEquivariance для структурных моделей и Parabricks для геномики.
• Агентные интерфейсы. Каждый навык документирует назначение модели, обязательные входные данные, необязательные параметры, ожидаемые результаты и типичные ошибки. Агент читает файл описания навыка как документацию, а затем действует по ней.

Навыки разбиты на три группы: навыки для облачных NIM-эндпойнтов, навыки для открытых моделей и навыки для локальных библиотек. Отдельная папка хранит многошаговые «мета-навыки». Например, цепочка проектирования белкового связующего последовательно запускает три модели: RFdiffusion строит каркас, ProteinMPNN проектирует последовательность, OpenFold3 проверяет укладку.

Развёртывание на выбор: облачные NIM-эндпойнты подходят для быстрого старта без управления инфраструктурой, локальный NIM нужен при частых итерациях, требованиях к задержке или хранению данных на своей стороне.

Что показал бенчмарк?

NVIDIA измерила, помогают ли навыки реальной работе агента. Все замеры проведены на Codex CLI с моделью GPT-5.5 fast. Один и тот же агент сравнивался с навыками и без них.

• Завершение задач: без навыков агент справлялся с 57,1% обязательных задач, с навыками результат вырос до 100%.
• Эффективность: с навыками агент выдавал в 2 раза больше пройденных проверок (passing assertions, отдельных шагов внутри задачи) на каждую 1 000 токенов (единиц текста, которые обрабатывает модель).
• Охват: результат держался одинаково по всем десяти протестированным NIM-навыкам.

Стоит отметить, что бенчмарк провела сама NVIDIA, на собственных моделях и собственном агентном рантайме. Независимых воспроизведений пока нет.

Какие задачи решает тулкит уже сейчас?

• Предсказание структуры белка. Агент сворачивает пептидную последовательность с помощью Boltz-2 или OpenFold3 и возвращает файл структуры для дальнейшего анализа.
• Множественное выравнивание последовательностей. Агент генерирует выравнивание через инструмент MMseqs2 при помощи навыка MSA Search.
• Генеративная химия. Агент создаёт молекулы-кандидаты через GenMol, результат приходит в форматах SDF или SMILES для фильтрации.
• Дизайн белковых связующих. Многошаговый процесс из трёх моделей: построение каркаса, проектирование последовательности, проверка укладки.

Каждый цикл одинаков по форме: агент выбирает модель, готовит входные данные, запускает расчёт, проверяет выходные данные и объясняет результат с оговорками.

Что делать с этим прямо сейчас?

Исследователям и стартапам в фармасекторе (включая Россию и СНГ). BioNeMo Agent Toolkit выложен в открытый доступ. Это значит, что можно подключить специализированные молекулярные модели к ИИ-агенту без необходимости разбираться с API вручную. Для небольших команд без DevOps-ресурса это критично: навык сам описывает, что подавать на вход и что ожидать на выходе.

Авторам Дзена и контент-маркетологам. Тема ИИ в фармацевтике из экзотики превращается в рабочий инструмент с открытым кодом. Если вы пишете про науку или здоровье, BioNeMo даёт конкретный пример, как агентный подход работает за пределами чат-ботов и текстов.

Предпринимателям в РФ. Облачные эндпойнты NVIDIA формально доступны через API-ключ, но на практике доступ из России может быть ограничен санкционной политикой. Локальное развёртывание NIM на собственном GPU-сервере обходит эту проблему, если есть оборудование. Из российских аналогов направления ИИ в фармацевтике можно отслеживать проекты «Иннопрактики» и профильные программы «Сколково», хотя прямого аналога BioNeMo Agent Toolkit на рынке РФ пока нет.

Открытый код и агентный подход NVIDIA в биомолекулярных вычислениях снижает порог входа для тех, кто раньше не мог позволить себе выделенную ML-команду, но ключевое слово здесь «порог», а не «финиш»: без валидации результатов мокрой химией ни один ИИ-агент лекарство не выпустит.

По данным Marktechpost