NVIDIA lancerer den åbne protein-designmodel RFD4-Proteina med UW Medicine

Den 21. oktober 2026 annoncerede NVIDIA en række samarbejder inden for sundhed og biovidenskab på GTC Berlin. De blev anført af lanceringen af RFD4-Proteina, en åben model til proteindesign udviklet sammen med UW Medicine Institute for Protein Design, samt et nyt samarbejde med Siemens Healthineers om adaptiv strålebehandling.

NVIDIA satte annonceringerne i relation til to udfordringer, som branchen står over for: Forskere inden for biovidenskab skal undersøge enorme biologiske designrum og forkorte tiden fra beregningsbaseret design til laboratorietest, mens kræftbehandlingsteams skal omsætte komplekse billed- og behandlingsdata til præcise planer for hver patient. Kimberly Powell, vicepræsident for sundhed hos NVIDIA, sagde, at agentbaseret og fysisk AI åbner nye muligheder inden for medicin – fra proteindesign og autonome laboratorier til mere individualiseret kræftbehandling.

RFD4-Proteina er en åben model fra NVIDIA BioNeMo, der kombinerer programmerbart proteindesign med søgefunktioner. Den genererer målrettede proteindesigns, så forskere og agenter kan søge efter og forfine kandidater ved hjælp af molekylære input, begrænsninger og scoringsmål. NVIDIA nævnte blandt de mulige anvendelser proteiner, der er designet til at afbryde sygdomsprocesser eller opdage tegn på sygdom i diagnostiske tests.

Ifølge NVIDIA opnåede RFD4-Proteina i de test, der beskrives i forskningsudkastet, højere succesrater for beregningsbaseret design og større genereringskapacitet end de evaluerede basismodeller på tværs af fire benchmarkpakker: proteinbinding, binding af små molekyler, enzymskeletter og DNA-binding. Virksomheden sagde, at modellen hjælper forskere med at undersøge og prioritere kandidater til laboratorietest, hvor eksperimenter fastslår, hvordan et design fungerer under de afprøvede forhold.

David Baker, Nobelpristager i kemi i 2024 og direktør for Institute for Protein Design ved University of Washington, beskrev arbejdet som et skifte fra at opdage de proteiner, naturen har skabt, til at designe helt nye. »RFD4-Proteina udvider, hvad forskere kan skabe – fra proteiner, der kan fremme udviklingen af lægemidler, til enzymer, der nedbryder pesticider,« sagde han og tilføjede, at modellens åbne tilgængelighed vil gøre det muligt for forskere verden over at bygge videre på den.

NVIDIA sagde, at modellen er tilgængelig gennem partnere, herunder Amazon Bio Discovery, Claude Science fra Anthropic, Benchling, Databricks, Google Cloud, Hugging Face, Nebius, OpenAI og Tamarind Bio. Det gør det muligt for forskere og udviklere at integrere den i arbejdsgange for agenter, cloudtjenester og videnskabelige beregninger.

Modelarkitektur, licens og tilgængelighed

Et modelkort offentliggjort på Hugging Face af Baker Lab ved Institute for Protein Design og NVIDIA GenAIR beskriver RFD4-Proteina som en flow matching-model til biomolekylært design, der genererer proteinsekvenser og strukturer med alle atomer på samme tid. Genereringen er betinget af den molekylære kontekst, som brugeren ønsker at bevare: et bindingsmål, et enzymmotiv, en ligand eller udvalgte strukturelle egenskaber. De frigivne vægte indeholder 435,6 millioner parametre, fylder 1,74 GB i FP32 og kører i BF16 under en BSD 3-Clause-licens.

Modelkortet daterer vægtene til en udgivelse den 19. oktober 2026 og oplyser, at understøttelsen af dem blev indarbejdet i Diffusers-biblioteket den 20. oktober 2026. De gennemarbejdede eksempler – herunder en proteinbinder til PD-L1, et redesign af et HER2-antistof, et katalytisk enzymmotiv og en bindingslomme til et lille molekyle – demonstrerer arbejdsgangen for betinget generering. Kortet understreger, at eksemplerne ikke er resultater af eksperimentelle målinger af binding eller katalytisk aktivitet. Ifølge modelkortet tager det 5,0 sekunder at generere et design på 250 tokens i BF16 på én NVIDIA H200, eller 2,8 sekunder efter regional kompilering.

Et modelkort for NVIDIA NIM-implementeringen beskriver RFD4-Proteina som en samlet generativ model udviklet af NVIDIAs team for generativ AI og David Baker Lab ved Institute for Protein Design. Modellen dækker syv designopgaver: generering, enzymskeletter, enzymdesign, design af bindere til små molekyler, antistofdesign, partiel diffusion og invers foldning. Implementeringen understøtter belønningsstyret strålesøgning gennem diffusionstrajektorien, så en forespørgsel kan optimeres efter målbare kriterier, der kan beregnes lokalt, i stedet for blot at returnere en enkelt uprioriteret prøve. Modelkortet angiver, at modellen blev udgivet den 20. oktober på build.nvidia.com og NGC under GTC Berlin. Det oplyser, at vægtene blev trænet af Institute for Protein Design, men at sammensætningen af træningsdataene ikke er offentliggjort, og markerer modellen som klar til kommerciel og ikke-kommerciel brug.

Samarbejde med Siemens Healthineers om adaptiv strålebehandling

Siemens Healthineers og NVIDIA arbejder på at udvikle næste generation af adaptiv strålebehandling med agentbaseret og robotteknologisk intelligens. Her kombineres ekspertise inden for billeddiagnostik og onkologi med accelereret databehandling og simulering. NVIDIA undersøger brugen af åbne grundmodeller i Nemotron til agentbaseret fælles planlægning med det formål at hjælpe onkologer med at evaluere og forfine individualiserede behandlingsstrategier. Ifølge pressemeddelelsen kan modellerne derefter kombineres med CUDA-accelereret dosisberegning til hurtig, patientspecifik simulering og NVIDIA Holoscan-platformen, der forbinder live sensordata med AI og simulering for at understøtte adaptiv behandling.

Ifølge meddelelsen forventes cirka 35 millioner mennesker på verdensplan at få konstateret kræft hvert år frem mod 2050, og behandlingsteams er under stigende pres for at levere præcis, personlig behandling og samtidig håndtere den begrænsede kapacitet blandt specialister. »Adaptiv strålebehandling bygger på ét enkelt princip: Behandlingen skal tilpasses patienten, ikke omvendt,« sagde Arthur Kaindl, chef for Varian, Siemens Healthineers’ virksomhed inden for kræftbehandling. Han fremhævede lanceringen af Accela-systemet som virksomhedens seneste fremskridt inden for præcision og tilpasning.

Videnskabelige agenter og hospitalsdrift

Meddelelsen anslår de globale udgifter til forskning og udvikling inden for naturvidenskab til 3,8 billioner dollars og de årlige budgetter til lægemidler til næsten 300 milliarder dollars. Den præsenterer videnskabelige agenter og autonome laboratorier som en måde at forbinde design, eksperimenter og læring i en kontinuerlig cyklus.

Virksomheder inden for forskning og laboratorieteknologi bruger NVIDIA BioNeMo, en åben udviklingsplatform til AI-drevet biologi og lægemiddelopdagelse, sammen med Nemotron og andre NVIDIA-teknologier til at udvikle videnskabelige agenter samt de specialiserede modeller og værktøjer, der forbinder lægemiddeldesign, videnskabelige data og laboratoriearbejdsgange. Benchling forankrer agenter i eksperimentelle data, forskningskontekst og sammenhængende videnskabelige arbejdsgange, mens Biolevate forbinder biologiske data, specialiserede værktøjer og agentbaseret ræsonnement på tværs af lægemiddelopdagelse og -udvikling. Boltz udvikler specialiserede modeller, som agenter kan bruge til at forudsige molekylære strukturer samt designe og evaluere kandidater, og er ved at fremvise en videnskabelig agent, der planlægger arbejdsgange og fortolker resultater. Automata forbinder videnskabelige agenter med automatiseret laboratorieinfrastruktur, så de kan igangsætte eksperimenter og indsamle strukturerede resultater med den rette kontekst.

Genedatas AI-medforsker skal koordinere proteindesign og -test i protein design-faciliteten i Danahers autonome laboratorium. Arbejdsgangen skal omfatte RFD4-Proteina, så de eksperimentelle resultater kan styre næste runde af design. Hologen kombinerer sine store modeller inden for medicin med NVIDIA Nemotron for at udvikle AI-kliniske forskere, der omsætter billeddiagnostik og kliniske data til indsigt i patientresultater, som kan bruges til at udforme kliniske forsøg. Therna Biosciences bruger ræsonnement baseret på store sprogmodeller til at forbinde eksperimentel evidens med design af RNA-lægemidler.

På området for klinisk drift arbejder sundhedssystemer i hele Europa ifølge meddelelsen på at udvide adgangen til specialiseret behandling og samtidig mindske de administrative krav til behandlingsteams. Avelios, Corti, Dedalus, Dawn Health og Sword bygger videre på NVIDIA Nemotron med anvendelser, der spænder fra AI-dokumentationsassistenter og AI-understøttet klinisk behandling til personlige støttetilbud til patienter. PolyAI bygger videre på NVIDIA Agent Toolkit i en flersproget dialogløsning sammen med Corilus, en leverandør af medicinsk software, hvis netværk omfatter mere end 70.000 sundhedsprofessionelle i Belgien og Frankrig. Apian og VitVio bruger verdensmodellerne NVIDIA Cosmos og bibliotekerne NVIDIA Omniverse til at skabe digitale tvillinger, der overvåger og forbedrer hospitalsdriften.