Én modell der det før var to
Nvidia og University of Washingtons Institute for Protein Design har sluppet RFD4-Proteina, en åpen modell for proteindesign som lager sekvensen og den fullstendige atomstrukturen i ett og samme steg.
Det er den strukturelle endringen. Proteindesign har vanligvis gått som et stafettløp: én modell foreslår et ryggradsskjelett, en annen som ProteinMPNN velger aminosyrer som passer, og en tredje kontrollerer resultatet. RFD4-Proteina kombinerer en flow matching-modell med en autokoder som framstiller hver rest, sukker eller nukleotid som en ankeratomkoordinat pluss en latent vektor, og lager begge samtidig. Overleveringen forsvinner. Modellen kan også designe rundt den molekylære konteksten stafetten håndterte klossete: målproteiner, små molekyler, nukleinsyrer, glykaner, metallioner og modifiserte rester.
Hva tallet i overskriften teller
Over 24 proteinbindende mål oppgir Nvidia at RFD4-Proteina med høy tenkeinnstilling ga 76,40 strukturelt ulike konstruksjoner per GPU-time som oppfylte kriteriene. Den nest beste metoden som ble testet, Proteina-Complexa, ga 13,24.
Kriteriene er verdt å lese, for de er hva godkjent betyr her: en binder-pTM på minst 0,80, en minste grensesnitt-PAE på 1,5 ångstrøm eller bedre, og et måljustert RMSD for binderens ryggrad på 2,5 ångstrøm eller bedre. Det er poeng en datamaskin gir en datamaskins forutsigelse. Ingenting i tallet sier at et konstruert protein er syntetisert, har foldet seg som forutsagt eller har bundet noe som helst.
Nvidia sier det selv. Pressemeldingen bemerker at de videre resultatene — høyere beregnet treffrate og gjennomstrømning enn sammenligningsmetodene innen proteinbinding, binding til små molekyler, enzymstillas og DNA-binding — kommer fra et forskningsutkast, og at laboratorietester fortsatt trengs for å bekrefte dem. Innlegget på Hugging Face gjentar det: eksperimentell validering trengs for å bekrefte binding.
Tenkeinnstillingen har tre nivåer, lav, middels og høy, og styrer hvor mye modellen finpusser hver konstruksjon mens den lager den. Høyere nivåer øker sjansen for å passere filtrene in silico og koster mer regnekraft per konstruksjon, som er nøyaktig den avveiningen tallet i overskriften måler.
Distribuert gjennom alle på én gang
Distribusjonslisten er uvanlig. Nvidia opplyser at modellen er tilgjengelig via Amazon Bio Discovery, Anthropics Claude Science, Benchling, Databricks, Google Cloud, Hugging Face, Nebius, OpenAI og Tamarind Bio — plattformene til tre konkurrerende frontlaboratorier på samme dag.
En egen Hugging Face Space kjører den på RTX PRO 6000-GPU-er, med Nvidia som betaler for fri tilgang fra 21. oktober til 4. november. Etter det slutter den egne flaten å være gratis, og en ZeroGPU-flate på delt kapasitet forblir gratis innenfor kontoens kvoter. Begge kjører SecureDNA-kontroll på inndata og utdata, med en lokal klient som hasher og krypterer sekvenser før noe forlater beholderen.
Hva som er verdt å følge
David Baker, som leder Institute for Protein Design og delte nobelprisen i kjemi i 2024, beskrev slippet som et steg vekk fra en tid med å oppdage proteinene naturen har laget. Kimberly Powell, Nvidias visedirektør for helse, knyttet det til selskapets bredere satsing på agentisk KI i medisinen.
Tallet som avgjør dette, er ikke 76,40. Det er hvor mange av konstruksjonene som binder når noen lager dem. Nvidia nevner Genedata, som arbeider inne i Danahers autonome laboratorium, som en partner som skal kjøre en KI-medforsker til å samordne proteindesign og testing med modellen. Derfra ville en treffrate fra våtlaboratoriet komme, og inntil den finnes, beskriver gjennomstrømningstallet hvor raskt modellen lager kandidater, ikke hvor mange som virker.
