AI科学家正在成为科学计算的新界面。这些智能体能够阅读论文、编写代码、生成假设、调用API、检查文件并迭代结果。但在生物分子研究领域，AI科学家能力的上限取决于它能可靠、正确且高效使用的科学工具。通用型智能体可能理解蛋白质折叠、分子对接、序列设计等任务的相关性，但它需要知道调用哪个AI模型、如何格式化请求、哪些输入参数重要以及如何解读结果。NVIDIA BioNeMo平台正是填补这一鸿沟的关键基础设施，它将NVIDIA加速的数字化生物学栈转化为AI科学家可用的工具。
BioNeMo平台提供了两层核心能力。首先是加速工具层：NVIDIA NIM和BioNeMo开放模型将核心生物分子能力封装为经过优化的可调用服务，涵盖结构预测、分子对接、分子生成、序列设计、比对搜索和基因组学。这些能力由cuEquivariance（结构模型）和Parabricks（基因组学）等NVIDIA加速库驱动，而非仅运行在NVIDIA硬件上。其次是智能体就绪接口：BioNeMo Skills将每个能力打包为文档化的可调用资源，使智能体能够选择正确工具、发送有效请求并读取结果。
在实际工作流中，AI科学家可以完成多步骤的生物分子研究任务：使用MMseqs2生成多序列比对（MSA Search）、用Boltz-2或OpenFold3折叠肽序列、用GenMol生成分子、用DiffDock将配体与蛋白质靶标对接。这些能力通过NIM微服务以托管端点或本地部署方式提供。BioNeMo Skills描述了每个模型的用途、必需输入、可选参数、预期输出和故障模式，使AI科学家能够准确选择工具、准备有效请求并解析CIF、SDF、FASTA等科学文件格式的输出结果。
在部署策略上，托管NIM端点适合快速访问和非生产环境，无需管理基础设施和GPU调度；本地NIM部署则适合需要反复调用同一模型的工作流，可提供更低的预热延迟和数据本地性。BioNeMo平台还通过MCP（Model Context Protocol）服务器封装暴露尚未打包为NIM的开放模型，使智能体能以相同的调用模式访问整个生物学AI工具栈。通过BioNeMo平台，AI科学家可以将结构预测、分子生成、对接、序列分析和基因组学作为可调用工具，从提示到假设，从假设到模型调用，从模型输出到下一个科学决策，形成完整的研究闭环。
WeChat
Profile