NVIDIA lanserer den åpne protein design-modellen RFD4-Proteina med UW Medicine

NVIDIA kunngjorde 21. oktober 2026 en rekke samarbeid innen helsevesen og biovitenskap på GTC Berlin. Kunngjøringene ble ledet an av lanseringen av RFD4-Proteina, en åpen modell for proteindesign utviklet sammen med UW Medicine Institute for Protein Design, og et nytt samarbeid med Siemens Healthineers om adaptiv strålebehandling.

NVIDIA satte kunngjøringene i sammenheng med to utfordringer bransjen står overfor: Forskere innen biovitenskap må utforske enorme biologiske designrom og korte ned tiden fra beregningsbasert design til laboratorietesting, mens kreftomsorgsteam må omsette komplekse bilde- og behandlingsdata til presise planer for hver enkelt pasient. Kimberly Powell, visepresident for helsevesenet i NVIDIA, sa at agentbasert og fysisk KI åpner nye muligheter på tvers av medisinen, fra proteindesign og autonome laboratorier til mer persontilpasset kreftbehandling.

RFD4-Proteina er en åpen NVIDIA BioNeMo-modell som kombinerer programmerbart proteindesign med søkefunksjoner. Den genererer målrettede proteindesign og gjør det mulig for forskere og agenter å søke etter og forbedre kandidater ved hjelp av molekylære inndata, begrensninger og skåringsmål. NVIDIA nevnte blant de mulige bruksområdene proteiner som er utformet for å avbryte sykdomsprosesser eller oppdage sykdomstegn i diagnostiske tester.

I tester omtalt i forskningsutkastet oppnådde RFD4-Proteina, ifølge NVIDIA, høyere suksessrater for beregningsbasert design og større genereringskapasitet enn de evaluerte referansemodellene på tvers av fire referansesamlinger: proteinbinding, binding av små molekyler, enzymstillasbygging og DNA-binding. Selskapet sa at modellen hjelper forskere med å utforske og prioritere kandidater for laboratorietesting, der eksperimenter fastslår hvordan et design fungerer under de testede forholdene.

David Baker, Nobelprisvinner i kjemi i 2024 og direktør for Institute for Protein Design ved University of Washington, beskrev arbeidet som et skifte fra å oppdage proteinene naturen har skapt, til å utforme helt nye proteiner. «RFD4-Proteina utvider hva forskere kan skape, fra proteiner som kan bidra til å fremme legemiddelutvikling, til enzymer som bryter ned plantevernmidler», sa han og la til at det å gjøre modellen åpen vil gjøre det mulig for forskere over hele verden å bygge videre på den.

NVIDIA opplyste at modellen er tilgjengelig gjennom partnere, blant dem Amazon Bio Discovery, Claude Science fra Anthropic, Benchling, Databricks, Google Cloud, Hugging Face, Nebius, OpenAI og Tamarind Bio. Dette gjør det mulig for forskere og utviklere å integrere den i arbeidsflyter for agenter, skybaserte løsninger og vitenskapelig databehandling.

Modellarkitektur, lisensiering og tilgjengelighet

Et modellkort publisert på Hugging Face av Baker Lab ved Institute for Protein Design og NVIDIA GenAIR beskriver RFD4-Proteina som en modell basert på flytmatching for biomolekylært design. Den genererer proteinsekvenser og strukturer med alle atomer samtidig, betinget av den molekylære konteksten brukeren ønsker å bevare: et bindingsmål, et enzymmotiv, en ligand eller utvalgte strukturelle trekk. De utgitte vektene har 435,6 millioner parametere, er lagret i FP32-format og tar opp 1,74 GB, og kjøres i BF16-format under BSD 3-Clause-lisensen.

Modellkortet daterer vektene til en utgivelse 19. oktober 2026 og opplyser at støtte for dem ble slått sammen med Diffusers-biblioteket 20. oktober 2026. Eksemplene i kortet – blant annet en proteinbinder mot PD-L1, en redesign av et HER2-antistoff, et katalytisk enzymmotiv og en bindingslomme for små molekyler – viser arbeidsflyten for betinging. Kortet presiserer at eksemplene ikke er resultater fra eksperimenter med binding eller katalytisk aktivitet. Ifølge kortet tar et design på 250 tokens 5,0 sekunder i BF16 på én enkelt NVIDIA H200, eller 2,8 sekunder etter regional kompilering.

Et modellkort for NVIDIA NIM-implementeringen beskriver RFD4-Proteina som en enhetlig generativ modell utviklet av NVIDIAs Generative AI-team og David Baker Lab ved Institute for Protein Design. Modellen dekker sju designoppgaver: generering, stillasbygging rundt motiver, enzymdesign, design av småmolekylbindere, antistoffdesign, delvis diffusjon og invers folding. Implementeringen støtter belønningsstyrt strålesøk langs diffusjonsbanen, slik at en forespørsel kan optimaliseres etter måltall som kan beregnes lokalt, i stedet for å returnere én enkelt uprioritert prøve. Modellkortet oppgir at modellen ble lansert 20. oktober på build.nvidia.com og NGC under GTC Berlin, sier at vektene ble trent av Institute for Protein Design uten at sammensetningen av treningsdataene er oppgitt, og angir at modellen er klar for kommersiell eller ikke-kommersiell bruk.

Samarbeid mellom Siemens Healthineers og NVIDIA om adaptiv strålebehandling

Siemens Healthineers og NVIDIA arbeider med å utvikle neste generasjon adaptiv strålebehandling med agentbasert og robotisk intelligens. Arbeidet kombinerer kompetanse innen bildediagnostikk og onkologi med akselerert databehandling og simulering. Åpne grunnmodeller i Nemotron-familien fra NVIDIA undersøkes som grunnlag for agentbasert samplanlegging, med mål om å hjelpe onkologer med å vurdere og forbedre persontilpassede behandlingsstrategier. Ifølge kunngjøringen kan modellene deretter kombineres med doseberegning akselerert av CUDA for rask, pasientspesifikk simulering og NVIDIA Holoscan-plattformen, som kobler sanntidsdata fra sensorer med KI og simulering for å støtte adaptiv behandling.

Ifølge pressemeldingen ventes rundt 35 millioner mennesker verden over å få påvist kreft hvert år innen 2050, og behandlingsteamene står overfor et økende press for å tilby presis, persontilpasset behandling samtidig som kapasiteten til spesialister er begrenset. «Tilpasset strålebehandling bygger på ett enkelt prinsipp: Behandlingen skal tilpasses pasienten, ikke omvendt», sa Arthur Kaindl, leder for Varian, Siemens Healthineers’ virksomhet innen kreftbehandling. Han trakk fram lanseringen av Accela-systemet som selskapets nyeste fremskritt innen presisjon og tilpasning.

Vitenskapelige agenter og sykehusdrift

Pressemeldingen anslår de globale investeringene i vitenskapelig forskning og utvikling til 3,8 billioner dollar, mens de årlige legemiddelbudsjettene nærmer seg 300 milliarder dollar. Den presenterer vitenskapelige agenter og autonome laboratorier som en måte å knytte sammen design, eksperimentering og læring i en kontinuerlig syklus.

Selskaper innen forskning og laboratorieteknologi bruker NVIDIA BioNeMo, en åpen utviklingsplattform for AI-drevet biologi og legemiddeloppdagelse, sammen med Nemotron og annen NVIDIA-teknologi for å utvikle vitenskapelige agenter og de spesialiserte modellene og verktøyene som knytter sammen legemiddeldesign, vitenskapelige data og laboratoriearbeidsflyter. Benchling forankrer agenter i eksperimentelle data, forskningskontekst og sammenkoblede vitenskapelige arbeidsflyter, mens Biolevate kobler sammen biologiske data, spesialiserte verktøy og agentbasert resonnering innen legemiddeloppdagelse og -utvikling. Boltz utvikler spesialiserte modeller som agenter kan bruke til å forutsi molekylstrukturer og utforme og evaluere kandidater, og viser fram en vitenskapelig agent som planlegger arbeidsflyter og tolker resultater. Automata kobler vitenskapelige agenter til automatisert laboratorieinfrastruktur, slik at de kan sette i gang eksperimenter og registrere strukturerte resultater med tilhørende kontekst.

Genedatas AI-medforsker skal koordinere proteindesign og testing i proteindesignfabrikken i Danahers autonome laboratorium, i en arbeidsflyt der RFD4-Proteina skal inngå, slik at eksperimentresultater legger føringer for neste runde med design. Hologen kombinerer sine store modeller for medisin med NVIDIA Nemotron for å utvikle kliniske AI-forskere som omdanner bilde- og kliniske data til innsikt i pasientutfall, som grunnlag for utforming av kliniske studier. Therna Biosciences bruker resonnering med store språkmodeller til å koble sammen eksperimentelle bevis og utforming av RNA-legemidler.

På området klinisk drift opplyser pressemeldingen at helsesystemer over hele Europa arbeider for å utvide tilgangen til spesialisert behandling og samtidig redusere de administrative oppgavene for behandlingsteamene. Avelios, Corti, Dedalus, Dawn Health og Sword bygger videre på NVIDIA Nemotron, med bruksområder fra AI-journalassistenter og AI-assistert klinisk behandling til persontilpassede støttetjenester for pasienter. PolyAI bygger videre på NVIDIA Agent Toolkit i en flerspråklig dialogløsning sammen med Corilus, en leverandør av medisinsk programvare med et nettverk som omfatter over 70 000 helsearbeidere i Belgia og Frankrike. Apian og VitVio bruker verdensmodeller fra NVIDIA Cosmos og biblioteker fra NVIDIA Omniverse til å bygge digitale tvillinger som overvåker og forbedrer sykehusdriften.