NVIDIA ha presentato, durante il GTC Berlin, RFD4-Proteina, un modello aperto per la progettazione computazionale delle proteine sviluppato con il laboratorio di David Baker presso l’Institute for Protein Design della University of Washington, insieme a nuove collaborazioni destinate alle applicazioni sanitarie e alla ricerca biomedica. Il modello fa parte della piattaforma NVIDIA BioNeMo ed è progettato per generare contemporaneamente sequenze amminoacidiche e strutture atomiche tridimensionali, utilizzando informazioni molecolari e vincoli strutturali per indirizzare il processo generativo. RFD4-Proteina impiega un’architettura di flow matching che consente di condizionare la generazione sulla presenza di un bersaglio molecolare, di un motivo enzimatico, di un ligando o di determinate caratteristiche strutturali da preservare. Le applicazioni comprendono la progettazione di proteine capaci di legarsi a bersagli biologici, la creazione di siti di legame per piccole molecole, il riposizionamento di motivi catalitici e la modifica di strutture anticorpali. NVIDIA ha comunicato risultati computazionali superiori ai modelli di riferimento considerati in quattro gruppi di prove, relativi al legame fra proteine, all’interazione con piccole molecole, alla progettazione di enzimi e al legame con il DNA. Questi risultati riguardano la generazione e la valutazione computazionale delle strutture e non dimostrano automaticamente l’efficacia biologica dei candidati, che deve essere verificata sperimentalmente.
I pesi pubblicati comprendono 435,6 milioni di parametri e occupano circa 1,74 GB in formato FP32, con possibilità di esecuzione in BF16 e distribuzione sotto licenza BSD 3-Clause. La pubblicazione dei pesi risale al 19 ottobre 2026, mentre il supporto nella libreria Diffusers è stato integrato il 20 ottobre. Gli esempi di utilizzo comprendono la generazione di proteine leganti PD-L1, la riprogettazione di anticorpi diretti verso HER2, il posizionamento di motivi catalitici e la creazione di tasche molecolari per piccoli ligandi. NVIDIA riporta un tempo di generazione di cinque secondi per una struttura di 250 token su una singola GPU H200 in BF16, riducibile a 2,8 secondi mediante compilazione regionale. La distribuzione attraverso NVIDIA NIM supporta sette tipologie di attività, comprendenti generazione, motif scaffolding, progettazione enzimatica, progettazione di leganti per piccole molecole, anticorpi, diffusione parziale e inverse folding. È prevista anche una ricerca guidata da funzioni di ricompensa, che permette di valutare e selezionare più candidati lungo il processo generativo. Fra i partner attraverso cui NVIDIA rende disponibile il modello figurano Amazon Bio Discovery, Anthropic Claude Science, Benchling, Databricks, Google Cloud, Hugging Face, Nebius, OpenAI e Tamarind Bio.
Parallelamente, NVIDIA e Siemens Healthineers stanno collaborando allo sviluppo di sistemi di radioterapia adattiva che combinano imaging medico, intelligenza artificiale agentica, simulazione accelerata e componenti robotiche. Le applicazioni previste comprendono l’utilizzo dei modelli Nemotron per supportare la pianificazione dei trattamenti oncologici, il calcolo accelerato delle dosi mediante CUDA e NVIDIA Holoscan per integrare informazioni provenienti dai sensori con simulazioni e sistemi clinici. Il programma si affianca all’impiego di BioNeMo e degli agenti scientifici in attività di ricerca e laboratorio: Benchling sta collegando gli agenti ai dati sperimentali, Biolevate integra strumenti e informazioni biologiche nei processi di ricerca farmaceutica, Boltz sviluppa modelli specializzati per struttura e progettazione molecolare, mentre Automata collega agenti AI e infrastrutture di laboratorio automatizzate per avviare esperimenti e acquisire risultati strutturati. NVIDIA presenta queste collaborazioni come componenti di un processo nel quale progettazione computazionale, selezione delle ipotesi, esperimenti fisici e analisi dei risultati possono essere collegati, mantenendo la sperimentazione come passaggio necessario per verificare le proprietà delle molecole generate.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)