NVIDIA prezentuje otwarty model projektowania białek RFD4-Proteina we współpracy z UW Medicine

21 października 2026 r. podczas GTC Berlin firma NVIDIA ogłosiła szereg projektów realizowanych we współpracy z partnerami z sektora ochrony zdrowia i nauk przyrodniczych. Najważniejszym z nich była premiera modelu RFD4-Proteina, otwartego modelu do projektowania białek opracowanego we współpracy z Institute for Protein Design przy UW Medicine, a także nawiązanie współpracy z Siemens Healthineers w dziedzinie nowej generacji radioterapii adaptacyjnej.

NVIDIA przedstawiła te zapowiedzi w kontekście dwóch wyzwań, przed którymi stoi branża: badacze w dziedzinie nauk przyrodniczych muszą przeszukiwać ogromne biologiczne przestrzenie projektowe i skracać czas między projektem obliczeniowym a testami laboratoryjnymi, a zespoły zajmujące się leczeniem nowotworów muszą przekładać złożone dane obrazowe i terapeutyczne na precyzyjne plany leczenia dla każdego pacjenta. Kimberly Powell, wiceprezes ds. ochrony zdrowia w NVIDIA, powiedziała, że agentowa i fizyczna sztuczna inteligencja otwierają nowe możliwości w medycynie — od projektowania białek i autonomicznych laboratoriów po bardziej spersonalizowaną opiekę onkologiczną.

RFD4-Proteina to otwarty model NVIDIA BioNeMo, który łączy programowalne projektowanie białek z możliwościami wyszukiwania. Generuje projekty białek o określonych właściwościach, dzięki czemu naukowcy i agenci mogą wyszukiwać i udoskonalać kandydatów na podstawie danych wejściowych dotyczących cząsteczek, ograniczeń i celów punktacji. NVIDIA wymieniła wśród potencjalnych zastosowań białka zaprojektowane tak, by zakłócać procesy chorobowe lub wykrywać oznaki choroby w testach diagnostycznych.

Jak podała NVIDIA, w testach opisanych w wersji roboczej publikacji badawczej model RFD4-Proteina osiągnął wyższy odsetek powodzenia projektów obliczeniowych i większą przepustowość generowania niż oceniane modele bazowe w ramach czterech zestawów testów porównawczych: wiązania białek, wiązania małych cząsteczek, tworzenia rusztowań enzymów i wiązania DNA. Firma poinformowała, że model pomaga badaczom analizować kandydatów i ustalać ich priorytety przed testami laboratoryjnymi, które pozwalają określić, jak dany projekt sprawdza się w badanych warunkach.

David Baker, laureat Nagrody Nobla w dziedzinie chemii z 2024 r. i dyrektor Institute for Protein Design na University of Washington, opisał tę pracę jako odejście od odkrywania białek wytworzonych przez naturę na rzecz projektowania zupełnie nowych. „RFD4-Proteina poszerza zakres tego, co mogą tworzyć naukowcy — od białek, które mogłyby przyspieszyć odkrywanie leków, po enzymy rozkładające pestycydy” — powiedział, dodając, że udostępnienie modelu na otwartej licencji pozwoli badaczom z całego świata rozwijać go dalej.

NVIDIA poinformowała, że model jest dostępny za pośrednictwem partnerów, w tym Amazon Bio Discovery, Claude Science od Anthropic, Benchling, Databricks, Google Cloud, Hugging Face, Nebius, OpenAI i Tamarind Bio. Dzięki temu naukowcy i deweloperzy mogą integrować go ze swoimi procesami pracy wykorzystującymi agentów, chmurę i obliczenia naukowe.

Architektura modelu, licencja i dostępność

Karta modelu opublikowana w serwisie Hugging Face przez Baker Lab z Institute for Protein Design oraz NVIDIA GenAIR opisuje RFD4-Proteina jako model oparty na dopasowaniu przepływu, przeznaczony do projektowania biomolekuł. Model jednocześnie generuje sekwencje białek i struktury wszystkich atomów, uwzględniając kontekst molekularny, który użytkownik chce zachować: cel wiązania, motyw enzymatyczny, ligand lub wybrane cechy strukturalne. Udostępnione wagi obejmują 435,6 mln parametrów, są zapisane w formacie FP32 i zajmują 1,74 GB; model działa w formacie BF16 na licencji BSD 3-Clause.

Zgodnie z kartą wagi udostępniono 19 października 2026 r., a obsługę tych wag włączono do biblioteki Diffusers 20 października 2026 r. Przykłady pokazują proces warunkowania modelu, obejmujący m.in. białko wiążące PD-L1, przeprojektowanie przeciwciała HER2, motyw katalityczny enzymu i kieszeń wiążącą małą cząsteczkę. Karta zaznacza, że nie są to wyniki eksperymentalnych badań wiązania ani aktywności katalitycznej. Według karty zaprojektowanie białka składającego się z 250 tokenów trwa 5,0 sekundy w formacie BF16 na pojedynczym układzie NVIDIA H200 lub 2,8 sekundy po kompilacji regionalnej.

Karta modelu wdrożonego w NVIDIA NIM opisuje RFD4-Proteina jako zunifikowany model generatywny opracowany przez zespół NVIDIA Generative AI i David Baker Lab przy Institute for Protein Design, obsługujący siedem zadań projektowych: generowanie, tworzenie rusztowań dla motywów, projektowanie enzymów, projektowanie białek wiążących małe cząsteczki, projektowanie przeciwciał, częściową dyfuzję i odwrotne fałdowanie. Wdrożenie obsługuje wyszukiwanie wiązkowe kierowane nagrodą wzdłuż trajektorii dyfuzji, dzięki czemu żądanie może optymalizować wyniki pod kątem metryk obliczanych lokalnie, zamiast zwracać pojedynczą, nieuszeregowaną próbkę. Karta podaje, że model udostępniono 20 października w serwisach build.nvidia.com i NGC podczas GTC Berlin; informuje również, że wagi wytrenował Institute for Protein Design, ale nie ujawniono składu danych treningowych. Model jest gotowy do użytku komercyjnego i niekomercyjnego.

Współpraca Siemens Healthineers w dziedzinie radioterapii adaptacyjnej

Siemens Healthineers i NVIDIA pracują nad kolejną generacją radioterapii adaptacyjnej wykorzystującej inteligencję agentową i robotyczną, łącząc wiedzę z zakresu obrazowania i onkologii z przyspieszonymi obliczeniami i symulacją. NVIDIA bada możliwość wykorzystania otwartych modeli bazowych Nemotron do wspólnego planowania z udziałem agentów, aby pomóc onkologom oceniać i udoskonalać spersonalizowane strategie leczenia. Jak podano w komunikacie, modele można następnie połączyć z obliczaniem dawki przyspieszanym przez CUDA, co umożliwi szybką symulację dostosowaną do konkretnego pacjenta, oraz z platformą NVIDIA Holoscan, która łączy dane z czujników przesyłane na żywo ze sztuczną inteligencją i symulacją, wspierając leczenie adaptacyjne.

Jak podaje komunikat, do 2050 roku każdego roku na całym świecie diagnozę nowotworu ma otrzymywać około 35 milionów osób, a zespoły medyczne będą pod coraz większą presją, by zapewniać precyzyjne, spersonalizowane leczenie przy ograniczonych zasobach kadry specjalistycznej. „Radioterapia adaptacyjna opiera się na jednej zasadzie: leczenie powinno dostosowywać się do pacjenta, a nie odwrotnie” — powiedział Arthur Kaindl, szef Varian, należącego do Siemens Healthineers przedsiębiorstwa zajmującego się opieką onkologiczną. Wskazał na premierę systemu Accela jako najnowsze osiągnięcie firmy w dziedzinie precyzji i adaptacji.

Agenci naukowi i funkcjonowanie szpitali

W komunikacie globalne wydatki na badania i rozwój w nauce oszacowano na 3,8 biliona dolarów, a roczne budżety farmaceutyczne — na kwoty zbliżające się do 300 miliardów dolarów. Przedstawiono w nim agentów naukowych i autonomiczne laboratoria jako sposób na połączenie projektowania, eksperymentowania i uczenia się w nieprzerwanym cyklu.

Firmy zajmujące się technologiami badawczymi i laboratoryjnymi korzystają z NVIDIA BioNeMo, otwartej platformy rozwoju rozwiązań opartych na AI w biologii i odkrywaniu leków, a także z Nemotron i innych technologii NVIDIA, aby tworzyć agentów naukowych oraz wyspecjalizowane modele i narzędzia łączące projektowanie leków, dane naukowe i procesy laboratoryjne. Benchling umożliwia agentom korzystanie z danych eksperymentalnych, kontekstu badań i połączonych procesów naukowych, a Biolevate łączy dane biologiczne, wyspecjalizowane narzędzia i rozumowanie agentowe w całym procesie odkrywania i opracowywania leków. Boltz opracowuje wyspecjalizowane modele, które agenci mogą wykorzystywać do przewidywania struktur cząsteczek oraz projektowania i oceny kandydatów na leki, a także zapowiada agenta naukowego planującego procesy badawcze i interpretującego wyniki. Automata łączy agentów naukowych z automatyczną infrastrukturą laboratoryjną, aby mogli inicjować eksperymenty i rejestrować ich wyniki w ustrukturyzowanej formie, wraz z kontekstem.

Współnaukowiec AI Genedata będzie koordynować projektowanie i testowanie białek w odlewni projektowania białek działającej w autonomicznym laboratorium Danaher. W ramach tego procesu wykorzystany zostanie RFD4-Proteina, dzięki czemu wyniki eksperymentów będą wskazówką przy projektowaniu kolejnych białek. Hologen łączy swoje duże modele medyczne z NVIDIA Nemotron, aby tworzyć klinicznych naukowców AI, którzy przekształcają dane obrazowe i kliniczne w wiedzę o wynikach leczenia pacjentów, pomocną przy projektowaniu badań klinicznych. Therna Biosciences wykorzystuje natomiast rozumowanie dużych modeli językowych do łączenia dowodów eksperymentalnych z projektowaniem leków opartych na RNA.

Jak podaje komunikat, europejskie systemy opieki zdrowotnej pracują nad zwiększeniem dostępu do specjalistycznej opieki, jednocześnie ograniczając obciążenia administracyjne zespołów medycznych. Avelios, Corti, Dedalus, Dawn Health i Sword rozwijają rozwiązania w oparciu o NVIDIA Nemotron, znajdujące zastosowanie w obszarach od asystentów dokumentacji medycznej opartych na AI i opieki klinicznej wspomaganej przez AI po spersonalizowane usługi wsparcia pacjentów. PolyAI rozwija rozwiązanie z wykorzystaniem NVIDIA Agent Toolkit, wdrażając wielojęzyczny system dialogowy u dostawcy oprogramowania medycznego Corilus, którego sieć obejmuje ponad 70 000 pracowników ochrony zdrowia w Belgii i Francji. Apian i VitVio wykorzystują modele świata NVIDIA Cosmos oraz biblioteki NVIDIA Omniverse do tworzenia cyfrowych bliźniaków, które monitorują i usprawniają funkcjonowanie szpitali.