Én model, hvor der før var to
Nvidia og University of Washingtons Institute for Protein Design har udgivet RFD4-Proteina, en åben model til proteindesign, der danner sekvensen og den fulde atomstruktur i ét og samme trin.
Det er den strukturelle forandring. Proteindesign er normalt kørt som et stafetløb: én model foreslår et rygradsskelet, en anden som ProteinMPNN vælger de aminosyrer, der passer, og en tredje kontrollerer resultatet. RFD4-Proteina kombinerer en flow matching-model med en autokoder, der fremstiller hver rest, sukker eller nukleotid som en ankeratomkoordinat plus en latent vektor, og danner begge dele samtidig. Overleveringen forsvinder. Modellen kan også designe omkring den molekylære sammenhæng, stafetten håndterede klodset: målproteiner, små molekyler, nukleinsyrer, glykaner, metalioner og modificerede rester.
Hvad tallet i overskriften tæller
Hen over 24 proteinbindende mål oplyser Nvidia, at RFD4-Proteina ved sin høje tænkeindstilling gav 76,40 strukturelt forskellige konstruktioner per GPU-time, der opfyldte kriterierne. Den næstbedste metode, der blev afprøvet, Proteina-Complexa, gav 13,24.
Kriterierne er værd at læse, for de er, hvad godkendt betyder her: en binder-pTM på mindst 0,80, en mindste grænseflade-PAE på 1,5 ångström eller bedre, og et måljusteret RMSD for binderens rygrad på 2,5 ångström eller bedre. Det er point, en computer giver en computers forudsigelse. Intet i tallet siger, at et konstrueret protein er syntetiseret, har foldet sig som forudsagt eller har bundet noget som helst.
Nvidia siger det selv. Pressemeddelelsen bemærker, at de bredere resultater — højere beregnet succesrate og gennemstrømning end sammenligningsmetoderne inden for proteinbinding, binding til små molekyler, enzymstilladser og DNA-binding — kommer fra et forskningsudkast, og at laboratorieforsøg stadig er nødvendige for at bekræfte dem. Indlægget på Hugging Face gentager det: eksperimentel validering er nødvendig for at bekræfte binding.
Tænkeindstillingen har tre niveauer, lav, middel og høj, og styrer, hvor meget modellen forfiner hver konstruktion undervejs. Højere niveauer øger chancen for at passere filtrene in silico og koster mere beregning per konstruktion, hvilket er præcis den afvejning, tallet i overskriften måler.
Distribueret gennem alle på én gang
Distributionslisten er usædvanlig. Nvidia oplyser, at modellen er tilgængelig via Amazon Bio Discovery, Anthropics Claude Science, Benchling, Databricks, Google Cloud, Hugging Face, Nebius, OpenAI og Tamarind Bio — tre konkurrerende frontlaboratoriers platforme samme dag.
Et dedikeret Hugging Face Space kører den på RTX PRO 6000-GPU’er, hvor Nvidia betaler for fri adgang fra 21. oktober til 4. november. Derefter holder den dedikerede flade op med at være gratis, og en ZeroGPU-flade på delt kapacitet forbliver gratis inden for kontoens kvoter. Begge kører SecureDNA-screening på inddata og uddata med en lokal klient, der hasher og krypterer sekvenser, før noget forlader beholderen.
Hvad der er værd at følge
David Baker, der leder Institute for Protein Design og delte nobelprisen i kemi i 2024, beskrev udgivelsen som et skridt væk fra en tid med at opdage de proteiner, naturen har lavet. Kimberly Powell, Nvidias vicedirektør for sundhed, knyttede den til selskabets bredere satsning på agentisk AI i medicinen.
Tallet, der afgør dette, er ikke 76,40. Det er, hvor mange af konstruktionerne der binder, når nogen fremstiller dem. Nvidia nævner Genedata, der arbejder inde i Danahers autonome laboratorium, som partner, der skal køre en AI-medforsker til at koordinere proteindesign og afprøvning med modellen. Derfra ville en træfrate fra vådlaboratoriet komme, og indtil en findes, beskriver gennemstrømningstallet, hvor hurtigt modellen frembringer kandidater, ikke hvor mange der virker.
