En modell där det förr fanns två
Nvidia och University of Washingtons Institute for Protein Design har släppt RFD4-Proteina, en öppen modell för proteindesign som genererar sekvensen och den fullständiga atomstrukturen i ett och samma steg.
Det är den strukturella förändringen. Proteindesign har vanligen gått som en stafett: en modell föreslår ett ryggradsskelett, en andra modell som ProteinMPNN väljer aminosyror som passar, och en tredje kontrollerar resultatet. RFD4-Proteina kombinerar en flow matching-modell med en autokodare som representerar varje rest, socker eller nukleotid som en ankaratomkoordinat plus en latent vektor, och genererar båda samtidigt. Överlämningen försvinner. Modellen kan också designa runt den molekylära kontext stafetten hanterade klumpigt: målproteiner, små molekyler, nukleinsyror, glykaner, metalljoner och modifierade rester.
Vad rubriksiffran räknar
Över 24 proteinbindande mål uppger Nvidia att RFD4-Proteina vid sin höga tänkandeinställning gav 76,40 strukturellt skilda konstruktioner per GPU-timme som klarade kriterierna. Den näst bästa metod som testades, Proteina-Complexa, gav 13,24.
Kriterierna är värda att läsa, för de är vad godkänd betyder här: ett bindar-pTM på minst 0,80, ett minsta gränssnitts-PAE på 1,5 ångström eller bättre, och ett målinriktat RMSD för bindarens ryggrad på 2,5 ångström eller bättre. Det är poäng som en dator sätter på en dators förutsägelse. Inget i siffran säger att ett konstruerat protein har syntetiserats, vikt sig som förutsagt eller bundit något.
Nvidia säger det själv. Pressmeddelandet noterar att de bredare resultaten — högre beräknad träffsäkerhet och genomströmning än jämförelsemetoderna inom proteinbindning, bindning till små molekyler, enzymställningar och DNA-bindning — kommer från ett forskningsutkast, och att laboratorietester fortfarande behövs för att bekräfta dem. Inlägget på Hugging Face upprepar saken: experimentell validering behövs för att bekräfta bindning.
Tänkandeinställningen har tre nivåer, låg, medel och hög, och styr hur mycket modellen förfinar varje konstruktion under genereringen. Högre nivåer ökar chansen att klara filtren in silico och kostar mer beräkning per konstruktion, vilket är precis den avvägning rubriksiffran mäter.
Distribuerad genom alla på en gång
Distributionslistan är ovanlig. Nvidia uppger att modellen finns via Amazon Bio Discovery, Anthropics Claude Science, Benchling, Databricks, Google Cloud, Hugging Face, Nebius, OpenAI och Tamarind Bio — tre konkurrerande frontlaboratoriers plattformar samma dag.
En dedikerad Hugging Face Space kör den på RTX PRO 6000-GPU:er, med Nvidia som sponsrar fri tillgång från 21 oktober till 4 november. Därefter upphör den dedikerade ytan att vara gratis, och en ZeroGPU-yta på delad kapacitet förblir fri inom kontots kvoter. Båda kör SecureDNA-kontroll på indata och utdata, med en lokal klient som hashar och krypterar sekvenser innan något lämnar behållaren.
Vad som är värt att följa
David Baker, som leder Institute for Protein Design och delade Nobelpriset i kemi 2024, beskrev släppet som ett steg bort från en tid av att upptäcka de proteiner naturen har gjort. Kimberly Powell, Nvidias vice vd för hälso- och sjukvård, knöt det till bolagets bredare satsning på agentisk AI i medicinen.
Siffran som avgör saken är inte 76,40. Det är hur många av konstruktionerna som binder när någon tillverkar dem. Nvidia nämner Genedata, som arbetar inne i Danahers autonoma laboratorium, som en partner vilken ska köra en AI-medforskare som samordnar proteindesign och testning med modellen. Därifrån skulle en träffsiffra från våtlabb komma, och tills en sådan finns beskriver genomströmningssiffran hur snabbt modellen producerar kandidater, inte hur många som fungerar.
