NVIDIA esittelee UW Medicinen kanssa kehitetyn avoimen proteiinisuunnittelumallin RFD4-Proteina

NVIDIA ilmoitti terveydenhuollon ja biotieteiden alan yhteistyöhankkeista 21. lokakuuta 2026 GTC Berlinissä. Niiden keskiössä oli RFD4-Proteinan esittely. Kyseessä on avoin proteiinisuunnittelumalli, joka on kehitetty UW Medicine Institute for Protein Designin kanssa. Lisäksi NVIDIA kertoi uudesta adaptiivisen sädehoidon yhteistyöhankkeesta Siemens Healthineersin kanssa.

NVIDIA kytki julkistukset alan kahteen haasteeseen: biotieteiden tutkijoiden on etsittävä laajoista biologisista suunnitteluavaruuksista ja lyhennettävä laskennallisen suunnittelun ja laboratoriotestauksen välistä aikaa, kun taas syöpähoidon tiimien on muutettava monimutkaiset kuvantamis- ja hoitotiedot tarkoiksi, kullekin potilaalle räätälöidyiksi suunnitelmiksi. NVIDIAn terveydenhuollosta vastaava varatoimitusjohtaja Kimberly Powell sanoi toiminnallisen tekoälyn ja fyysisen tekoälyn avaavan lääketieteessä uusia mahdollisuuksia proteiinisuunnittelusta autonomisiin laboratorioihin ja entistä yksilöllisempään syöpähoitoon.

RFD4-Proteina on NVIDIA BioNemon avoin malli, jossa ohjelmoitava proteiinisuunnittelu yhdistyy hakuominaisuuksiin. Se tuottaa kohdennettuja proteiinimalleja, joiden avulla tutkijat ja tekoälyagentit voivat etsiä ja kehittää ehdokkaita molekyylisyötteiden, rajoitteiden ja pisteytystavoitteiden perusteella. NVIDIAn mukaan mallin mahdollisiin käyttökohteisiin kuuluvat proteiinit, jotka on suunniteltu häiritsemään tautiprosesseja tai havaitsemaan sairauden merkkejä diagnostisissa testeissä.

NVIDIA kertoi tutkimusluonnoksessa kuvatuista testeistä, joissa RFD4-Proteina saavutti neljässä vertailutestikokonaisuudessa arvioituja vertailumalleja paremman laskennallisen suunnittelun onnistumisprosentin ja suuremman generointinopeuden. Vertailukokonaisuudet koskivat proteiinien sitoutumista, pienten molekyylien sitoutumista, entsyymien tukirakenteita ja DNA:n sitoutumista. Yhtiön mukaan malli auttaa tutkijoita etsimään ja priorisoimaan ehdokkaita laboratoriotestaukseen. Kokeissa selvitetään, miten suunnitelma toimii testatuissa olosuhteissa.

David Baker, kemian Nobel-palkinnon vuoden 2024 saaja ja Institute for Protein Designin johtaja University of Washingtonissa, kuvaili työtä siirtymäksi luonnon kehittämien proteiinien löytämisestä kokonaan uusien proteiinien suunnitteluun. ”RFD4-Proteinan ansiosta tutkijat voivat luoda entistä monipuolisemmin esimerkiksi lääkekehitystä edistäviä proteiineja ja torjunta-aineita hajottavia entsyymejä”, hän sanoi ja lisäsi, että mallin avoimuus antaa tutkijoille kaikkialla maailmassa mahdollisuuden kehittää sitä edelleen.

NVIDIAn mukaan malli on saatavilla kumppaneiden kautta, joihin kuuluvat Amazon Bio Discovery, Anthropicin Claude Science, Benchling, Databricks, Google Cloud, Hugging Face, Nebius, OpenAI ja Tamarind Bio. Näin tutkijat ja kehittäjät voivat integroida sen agenttipohjaisiin, pilvipohjaisiin ja tieteellisen laskennan työnkulkuihin.

Mallin arkkitehtuuri, lisensointi ja saatavuus

Hugging Facessa julkaistussa mallikortissa Baker Lab, Institute for Protein Design ja NVIDIA GenAIR kuvaavat RFD4-Proteinan biomolekyylien suunnitteluun tarkoitetuksi virtauksen täsmäytysmalliksi. Se tuottaa proteiinisekvenssit ja kaikkien atomien rakenteet yhdessä sen molekyylikontekstin perusteella, jonka käyttäjä haluaa säilyttää: sitoutumiskohteen, entsyymimotiivin, ligandin tai valitut rakenteelliset piirteet. Julkaistuissa painoissa on 435,6 miljoonaa parametria, ne on tallennettu FP32-muodossa ja niiden koko on 1,74 Gt. Malli toimii BF16-muodossa BSD 3-Clause -lisenssillä.

Mallikortin mukaan painot julkaistiin 19. lokakuuta 2026, ja niiden tuki yhdistettiin Diffusers-kirjastoon 20. lokakuuta 2026. Kortin esimerkit — kuten PD-L1-proteiiniin sitoutuva proteiini, HER2-vasta-aineen uudelleensuunnittelu, entsyymin katalyyttinen motiivi ja pienen molekyylin sitoutumistasku — havainnollistavat ehdollistamisen työnkulkua. Kortissa todetaan, etteivät ne ole kokeellisia tuloksia sitoutumisesta tai katalyyttisestä aktiivisuudesta. Mallikortin mukaan yhden 250 tokenin suunnittelun suorittaminen yhdellä NVIDIA H200 -näytönohjaimella kestää BF16-muodossa 5,0 sekuntia tai alueellisen käännöksen jälkeen 2,8 sekuntia.

NVIDIA NIM -käyttöönoton mallikortissa RFD4-Proteina kuvataan yhtenäiseksi generatiiviseksi malliksi, jonka ovat tuottaneet NVIDIAn Generative AI -tiimi ja Institute for Protein Designin David Baker Lab. Malli kattaa seitsemän suunnittelutehtävää: generoinnin, motiivin tukirakenteistamisen, entsyymien suunnittelun, pieniä molekyylejä sitovien proteiinien suunnittelun, vasta-aineiden suunnittelun, osittaisen diffuusion ja käänteisen laskostumisen. Käyttöönotto tukee palkkio-ohjattua keilihakua diffuusioprosessin etenemisen aikana. Näin pyynnössä voidaan optimoida paikallisesti laskettavien mittareiden perusteella sen sijaan, että palautettaisiin yksi paremmuusjärjestykseen asettamaton näyte. Mallikortissa ilmoitetaan, että malli julkaistiin 20. lokakuuta build.nvidia.comissa ja NGC:ssä GTC Berlinin yhteydessä. Kortin mukaan painot koulutti Institute for Protein Design, mutta koulutusdatan koostumusta ei ole ilmoitettu. Malli on merkitty valmiiksi kaupalliseen tai ei-kaupalliseen käyttöön.

Siemens Healthineersin yhteistyö adaptiivisen sädehoidon kehittämiseksi

Siemens Healthineers ja NVIDIA kehittävät seuraavan sukupolven adaptiivista sädehoitoa hyödyntämällä toiminnallista ja robotiikkaan perustuvaa älykkyyttä. Työssä yhdistyvät kuvantamisen ja syöpähoidon asiantuntemus sekä nopeutettu laskenta ja simulointi. NVIDIA tutkii Nemotronin avoimien perustamallien käyttöä toiminnallisen yhteissuunnittelun tukena, jotta syöpälääkärit voisivat arvioida ja hioa yksilöllisiä hoitostrategioita. Julkistuksen mukaan malleihin voitaisiin tämän jälkeen yhdistää CUDA-kiihdytetty annoslaskenta nopeaa, potilaskohtaista simulointia varten sekä NVIDIA Holoscan -alusta, joka yhdistää reaaliaikaisen anturidatan tekoälyyn ja simulointiin adaptiivisen hoidon tueksi.

Tiedotteen mukaan maailmanlaajuisesti arviolta 35 miljoonalla ihmisellä diagnosoidaan syöpä vuosittain vuoteen 2050 mennessä, ja hoitotiimeihin kohdistuu kasvavaa painetta tarjota täsmällistä ja yksilöllistä hoitoa rajallisten erikoislääkärivoimavarojen puitteissa. ”Sädehoidon mukauttaminen perustuu yhteen periaatteeseen: hoidon tulee mukautua potilaaseen, ei päinvastoin”, sanoi Siemens Healthineersin syövänhoitoon keskittyvän liiketoiminnan Varianin johtaja Arthur Kaindl. Hän mainitsi Accela-järjestelmän lanseerauksen yhtiön viimeisimpänä edistysaskeleena tarkkuudessa ja hoidon mukauttamisessa.

Tieteelliset agentit ja sairaaloiden toiminta

Tiedotteen mukaan maailmanlaajuisen tieteellisen tutkimus- ja kehitystoiminnan arvo on 3,8 biljoonaa dollaria ja lääkealan vuosibudjetit lähestyvät 300 miljardia dollaria. Siinä esitellään tieteelliset agentit ja autonomiset laboratoriot keinona yhdistää suunnittelu, kokeilu ja oppiminen jatkuvaksi sykliksi.

Tutkimus- ja laboratorioteknologiayritykset hyödyntävät NVIDIA BioNemota, avointa kehitysalustaa tekoälypohjaiseen biologiaan ja lääkekehitykseen, yhdessä Nemotronin ja muiden NVIDIA-teknologioiden kanssa rakentaakseen tieteellisiä agentteja sekä erikoistuneita malleja ja työkaluja, jotka yhdistävät lääkkeiden suunnittelun, tieteellisen tiedon ja laboratoriotyönkulut. Benchling pohjaa agenttinsa kokeelliseen dataan, tutkimuksen kontekstiin ja toisiinsa yhdistettyihin tieteellisiin työnkulkuihin, kun taas Biolevate yhdistää biologista dataa, erikoistuneita työkaluja ja agenttimaista päättelyä lääkkeiden löytämisessä ja kehittämisessä. Boltz kehittää erikoistuneita malleja, joiden avulla agentit voivat ennustaa molekyylirakenteita sekä suunnitella ja arvioida ehdokkaita, ja esittelee ennakkoon tieteellistä agenttia, joka suunnittelee työnkulkuja ja tulkitsee tuloksia. Automata yhdistää tieteelliset agentit automatisoituun laboratorioinfrastruktuuriin, jotta ne voivat käynnistää kokeita ja tallentaa jäsenneltyjä, asiayhteyteen sidottuja tuloksia.

Genedatan tekoälypohjainen yhteistutkija koordinoi proteiinien suunnittelua ja testausta Danaherin autonomisessa laboratoriossa sijaitsevassa proteiinisuunnittelun tuotantoyksikössä. Työnkulkuun sisällytetään RFD4-Proteina, jotta kokeelliset tulokset ohjaavat suunnittelun seuraavaa kierrosta. Hologen yhdistää laajat lääketieteen mallinsa NVIDIA Nemotroniin rakentaakseen tekoälypohjaisia kliinisiä tutkijoita, jotka muuntavat kuvantamis- ja kliinistä dataa potilaiden hoitotuloksia koskeviksi näkemyksiksi kliinisten tutkimusten suunnittelua varten. Therna Biosciences puolestaan hyödyntää laajojen kielimallien päättelykykyä yhdistääkseen kokeellista näyttöä ja RNA-lääkkeiden suunnittelua.

Tiedotteen mukaan Euroopan terveydenhuoltojärjestelmät pyrkivät kliinisen toiminnan osalta laajentamaan erikoissairaanhoidon saatavuutta ja samalla vähentämään hoitotiimien hallinnollista kuormitusta. Avelios, Corti, Dedalus, Dawn Health ja Sword rakentavat NVIDIA Nemotronin varaan. Sovellukset ulottuvat tekoälypohjaisista kirjureista ja tekoälyn tukemasta kliinisestä hoidosta yksilöllisiin potilastukipalveluihin. PolyAI rakentaa NVIDIA Agent Toolkitin varaan monikielistä keskusteluratkaisua yhteistyössä lääketieteellisten ohjelmistojen tarjoajan Coriluksen kanssa. Sen verkostoon kuuluu yli 70 000 terveydenhuollon ammattilaista Belgiassa ja Ranskassa. Apian ja VitVio hyödyntävät NVIDIA Cosmos -maailmamalleja ja NVIDIA Omniverse -kirjastoja rakentaakseen digitaalisia kaksosia, jotka seuraavat sairaaloiden toimintaa ja tehostavat sitä.