NVIDIA stellt mit UW Medicine das offene Protein-Design-Modell RFD4-Proteina vor

NVIDIA kündigte am 21. Oktober 2026 auf der GTC Berlin eine Reihe von Kooperationen im Gesundheitswesen und in den Biowissenschaften an. Im Mittelpunkt standen die Vorstellung von RFD4-Proteina, einem gemeinsam mit dem UW Medicine Institute for Protein Design entwickelten offenen Modell für Proteindesign, und eine neue Kooperation mit Siemens Healthineers im Bereich adaptive Strahlentherapie.

NVIDIA stellte die Ankündigungen in den Kontext zweier Herausforderungen für die Branche: Forschende in den Biowissenschaften müssen riesige biologische Designräume durchsuchen und die Zeitspanne zwischen computergestütztem Design und Labortests verkürzen, während Teams in der Krebsversorgung komplexe Bildgebungs- und Behandlungsdaten in präzise Pläne für jeden Patienten umsetzen müssen. Kimberly Powell, Vizepräsidentin für das Gesundheitswesen bei NVIDIA, sagte, agentische und physische KI eröffneten in der Medizin neue Möglichkeiten – vom Proteindesign über autonome Labore bis hin zu einer stärker personalisierten Krebsversorgung.

RFD4-Proteina ist ein offenes Modell aus NVIDIA BioNeMo, das programmierbares Proteindesign mit Suchfunktionen verbindet. Es erzeugt gezielte Proteindesigns, mit denen Forschende und Agenten Kandidaten anhand molekularer Eingaben, Vorgaben und Bewertungsziele suchen und verfeinern können. NVIDIA nannte als mögliche Anwendungsbereiche Proteine, die Krankheitsprozesse unterbrechen oder in diagnostischen Tests Anzeichen einer Erkrankung erkennen sollen.

In den im Forschungsentwurf beschriebenen Tests erzielte RFD4-Proteina laut NVIDIA bei vier Benchmark-Sätzen höhere Erfolgsraten im computergestützten Design und einen höheren Durchsatz bei der Generierung als die untersuchten Vergleichsmodelle. Die Benchmark-Sätze betrafen Proteinbindung, die Bindung kleiner Moleküle, das Gerüstdesign von Enzymen und DNA-Bindung. Das Unternehmen erklärte, das Modell helfe Forschenden dabei, Kandidaten für Labortests zu untersuchen und zu priorisieren. Erst Experimente zeigen, wie ein Design unter den getesteten Bedingungen funktioniert.

David Baker, Chemienobelpreisträger des Jahres 2024 und Direktor des Institute for Protein Design an der University of Washington, beschrieb die Arbeit als einen Wandel: weg von der Entdeckung der Proteine, die die Natur hervorgebracht hat, hin zum Design völlig neuer Proteine. „RFD4-Proteina erweitert die Möglichkeiten dessen, was Forschende erschaffen können – von Proteinen, die die Arzneimittelforschung voranbringen könnten, bis hin zu Enzymen, die Pestizide abbauen“, sagte er. Die Veröffentlichung des Modells als Open Source werde Forschenden auf der ganzen Welt ermöglichen, darauf aufzubauen, fügte er hinzu.

NVIDIA zufolge ist das Modell über Partner wie Amazon Bio Discovery, Claude Science von Anthropic, Benchling, Databricks, Google Cloud, Hugging Face, Nebius, OpenAI und Tamarind Bio verfügbar. So können Forschende und Entwickler es in agentengestützte, cloudbasierte und wissenschaftliche Rechenabläufe integrieren.

Modellarchitektur, Lizenzierung und Verfügbarkeit

Eine vom Baker Lab am Institute for Protein Design und von NVIDIA GenAIR auf Hugging Face veröffentlichte Modellkarte beschreibt RFD4-Proteina als Flow-Matching-Modell für das Design von Biomolekülen. Es generiert Proteinsequenzen und vollständige Atomstrukturen gleichzeitig und richtet sich dabei nach dem molekularen Kontext, den der Nutzer erhalten möchte: einem Bindungsziel, einem Enzymmotiv, einem Liganden oder ausgewählten Strukturmerkmalen. Die veröffentlichten Gewichte umfassen 435,6 Millionen Parameter, sind im FP32-Format mit einer Größe von 1,74 GB gespeichert und laufen unter der BSD-3-Klausel-Lizenz im BF16-Format.

Laut der Modellkarte wurden die Gewichte am 19. Oktober 2026 veröffentlicht. Die Unterstützung dafür wurde demnach am 20. Oktober 2026 in die Diffusers-Bibliothek integriert. Die ausgearbeiteten Beispiele – darunter ein PD-L1-Proteinbinder, die Neugestaltung eines HER2-Antikörpers, ein katalytisches Enzymmotiv und eine Bindungstasche für ein kleines Molekül – veranschaulichen den Ablauf der Konditionierung. Die Modellkarte stellt klar, dass es sich dabei nicht um Ergebnisse experimenteller Bindungs- oder katalytischer Aktivität handelt. Auf einer einzelnen NVIDIA H200 dauert ein Design mit 250 Token laut Modellkarte in BF16 5,0 Sekunden beziehungsweise nach regionaler Kompilierung 2,8 Sekunden.

Eine Modellkarte für die NVIDIA-NIM-Bereitstellung beschreibt RFD4-Proteina als einheitliches generatives Modell, das vom Generative-AI-Team von NVIDIA und dem David Baker Lab am Institute for Protein Design entwickelt wurde. Es unterstützt sieben Designaufgaben: Generierung, Gerüstdesign anhand eines Motivs, Enzymdesign, Design von Bindern für kleine Moleküle, Antikörperdesign, partielle Diffusion und inverses Falten. Die Bereitstellung unterstützt eine belohnungsgesteuerte Beam-Suche entlang der Diffusionstrajektorie. Dadurch kann eine Anfrage anhand lokal berechenbarer Kennzahlen optimiert werden, statt lediglich eine einzelne, nicht nach Rang geordnete Stichprobe zurückzugeben. Die Modellkarte nennt als Veröffentlichungsdatum den 20. Oktober auf build.nvidia.com und NGC im Rahmen der GTC Berlin. Sie gibt an, dass die Gewichte vom Institute for Protein Design trainiert wurden, macht jedoch keine Angaben zur Zusammensetzung der Trainingsdaten. Außerdem wird das Modell als für die kommerzielle und nicht kommerzielle Nutzung geeignet ausgewiesen.

Kooperation von Siemens Healthineers und NVIDIA im Bereich adaptive Strahlentherapie

Siemens Healthineers und NVIDIA arbeiten an der nächsten Generation adaptiver Strahlentherapie mit agentischer und robotischer Intelligenz. Dabei verbinden sie Bildgebungs- und Onkologiekompetenz mit beschleunigtem Rechnen und Simulation. NVIDIA erprobt offene Basismodelle der Nemotron-Familie, um eine agentengestützte gemeinsame Behandlungsplanung zu ermöglichen. Onkologen sollen so personalisierte Behandlungsstrategien bewerten und verfeinern können. Laut der Mitteilung könnten die Modelle anschließend mit einer CUDA-beschleunigten Dosisberechnung für schnelle patientenspezifische Simulationen sowie mit der NVIDIA-Holosc an-Plattform kombiniert werden. Diese verknüpft Live-Sensordaten mit KI und Simulation, um adaptive Behandlungen zu unterstützen.

Laut der Mitteilung wird weltweit bis 2050 jedes Jahr bei rund 35 Millionen Menschen Krebs diagnostiziert werden. Die Behandlungsteams stehen zunehmend unter Druck, präzise, personalisierte Therapien anzubieten und zugleich mit begrenzten Facharztkapazitäten zurechtzukommen. „Die adaptive Strahlentherapie beruht auf einem einzigen Grundsatz: Die Behandlung sollte sich an den Patienten anpassen, nicht umgekehrt“, sagte Arthur Kaindl, Leiter von Varian, dem Krebsversorgungsgeschäft von Siemens Healthineers. Als jüngsten Fortschritt des Unternehmens im Bereich Präzision und Anpassungsfähigkeit verwies er auf die Einführung des Accela-Systems.

Wissenschaftliche Agenten und Krankenhausbetrieb

Laut der Mitteilung belaufen sich die weltweiten Ausgaben für wissenschaftliche Forschung und Entwicklung auf 3,8 Billionen US-Dollar, während die jährlichen Budgets der Pharmaindustrie sich der Marke von 300 Milliarden US-Dollar nähern. Wissenschaftliche Agenten und autonome Labore werden als Möglichkeit dargestellt, Design, Experimente und Erkenntnisgewinn in einem kontinuierlichen Kreislauf miteinander zu verbinden.

Forschungs- und Labortechnologieunternehmen nutzen NVIDIA BioNeMo, eine offene Entwicklungsplattform für KI-gestützte Biologie und Wirkstoffforschung, zusammen mit Nemotron und anderen NVIDIA-Technologien, um wissenschaftliche Agenten sowie spezialisierte Modelle und Werkzeuge zu entwickeln, die Wirkstoffdesign, wissenschaftliche Daten und Laborabläufe miteinander verbinden. Benchling verankert Agenten in experimentellen Daten, Forschungskontexten und vernetzten wissenschaftlichen Arbeitsabläufen, während Biolevate biologische Daten, spezialisierte Werkzeuge und agentenbasiertes Schlussfolgern in der Wirkstoffforschung und -entwicklung zusammenführt. Boltz entwickelt spezialisierte Modelle, mit denen Agenten molekulare Strukturen vorhersagen sowie Wirkstoffkandidaten entwerfen und bewerten können, und stellt einen wissenschaftlichen Agenten vor, der Arbeitsabläufe plant und Ergebnisse interpretiert. Automata vernetzt wissenschaftliche Agenten mit automatisierter Laborinfrastruktur, damit sie Experimente starten und strukturierte, kontextualisierte Ergebnisse erfassen können.

Der KI-Co-Wissenschaftler von Genedata wird in der Protein-Design-Fabrik des autonomen Labors von Danaher Protein-Design und Tests koordinieren. Der Arbeitsablauf wird RFD4-Proteina einbeziehen, sodass experimentelle Ergebnisse in die nächste Designrunde einfließen. Hologen kombiniert seine umfangreichen Medizinmodelle mit NVIDIA Nemotron, um KI-gestützte klinische Wissenschaftler zu entwickeln, die Bildgebungs- und klinische Daten in Erkenntnisse zu Patientenergebnissen umwandeln und damit die Gestaltung klinischer Studien unterstützen. Therna Biosciences nutzt Schlussfolgerungen auf Basis großer Sprachmodelle, um experimentelle Evidenz mit dem Design von RNA-Medikamenten zu verknüpfen.

Im Bereich des klinischen Betriebs arbeiten Gesundheitssysteme in ganz Europa laut Mitteilung daran, den Zugang zu spezialisierter Versorgung auszuweiten und zugleich die Verwaltungsbelastung der Behandlungsteams zu verringern. Avelios, Corti, Dedalus, Dawn Health und Sword setzen auf NVIDIA Nemotron und entwickeln Anwendungen, die von KI-gestützten medizinischen Dokumentationsassistenten und klinischer Versorgung mit KI-Unterstützung bis hin zu personalisierten Unterstützungsangeboten für Patienten reichen. PolyAI baut bei einer mehrsprachigen Dialoganwendung auf dem NVIDIA Agent Toolkit auf. Diese entsteht gemeinsam mit dem Anbieter medizinischer Software Corilus, dessen Netzwerk mehr als 70.000 Fachkräfte im Gesundheitswesen in Belgien und Frankreich umfasst. Apian und VitVio nutzen Weltmodelle von NVIDIA Cosmos und Bibliotheken von NVIDIA Omniverse, um digitale Zwillinge zu erstellen, die den Krankenhausbetrieb überwachen und verbessern.