AI 科学家正从“读论文、提假设”走向“自主调用模型、设计并执行实验”。但科学任务往往需要特定的领域工具——例如蛋白质折叠或分子表征——通用智能体并不清楚该运行哪个模型、如何格式化请求、哪些参数重要。NVIDIA BioNeMo Agent Toolkit 将十余年 BioNeMo 生命科学模型与工作流封装成可供智能体调用的技能，覆盖生物学、化学、基因组学与药物发现；在内部基准上，这些技能把任务正确率从 60% 提升到 100%，token 效率约翻倍。
在此次合作中，NVIDIA 与 Anthropic 将 BioNeMo Agent Toolkit 集成进 Claude Science——Anthropic 面向科学研究的 AI 工作台。智能体可在工作台内发现、启动并调用 BioNeMo NIM 微服务，使用本机或远端 GPU（如 L40S、H100）运行。
官方演示以真菌 Paracoccidioides lutzii 的核孔蛋白 Seh1（C1GY11）及其候选互作蛋白 C1HCX1 为例，检验“单独建模与加入伙伴蛋白后结构有何差异”。工作流分三阶段：由 GPU 加速的 MSA Search NIM 生成单链与物种配对的多序列比对；由 OpenFold3 NIM 预测单链与双链复合物结构；再以 Boltz-2 NIM 独立复测并逐模型评估。
结果突出显示了多序列比对（MSA）的关键作用：有 MSA 输入时，OpenFold3 与 Boltz-2 对复合物界面的置信度（iPTM）分别达到 0.85 与 0.82；去掉 MSA 后骤降至 0.14 与 0.19。两个架构不同的模型在相同输入下给出的界面置信度仅相差 0.03，交叉验证一致性良好。结构分析还复现了论文（Han et al.）的观察：伙伴蛋白的 β 链填补了 Seh1 开放的 β-螺旋桨边缘，单链与复合物核心叠合后的 Cα-RMSD 仅约 0.68 埃（OpenFold3）与 0.65 埃（Boltz-2），说明折叠是“补全”而非重构。
这套流程把领域工具的专业性封装进智能体技能，让科研人员用自然语言即可驱动蛋白质结构预测等复杂计算，也展示了 NIM 微服务与通用 AI 工作台结合后，在生命科学自动化研究中的落地潜力。
WeChat
Profile