NVIDIA BioNeMo Agent Toolkit 於近日在 Baseten 平台上發佈，旨在將通用 AI 智能體轉變為能夠執行真實生物學和藥物發現任務的科學智能體。該工具包結合了 BioNeMo Skills、開放模型、NVIDIA NIM 微服務和智能體基礎設施，支持蛋白質結構預測、蛋白質設計、虛擬篩選、基因組分析和靶點發現等流程。
科學 AI 正在從孤立的模型推理向能夠推理、規劃並執行多步驟科學任務的智能體工作流演進。科學家們越來越需要能夠理解科學文獻、預測蛋白質結構、設計分子、分析基因組數據、識別治療靶點並推薦下一步實驗的 AI 系統。NVIDIA BioNeMo Agent Toolkit 提供了實現新一代 AI 科學家所需的領域特定工具、模型和技能。它結合了 BioNeMo Skills、開放模型、NVIDIA NIM 微服務和智能體編排基礎設施，幫助智能體從“閲讀科學”轉變為“實踐科學”。
Baseten 平台專為需要大規模運行模型推理的團隊構建，且這些團隊越來越多地來自生命科學領域。向智能體工作流的轉變改變了“運行模型”的含義：不再是單個調用，而是智能體編排一個由專門模型組成的流水線，每個模型將結構化輸出傳遞給下一個模型。這恰好是 Baseten 旨在解決的基礎設施問題。當 NVIDIA 與 Baseten 分享 BioNeMo 工具包時，它提供了客户所缺少的生物學推理層。BioNeMo NIM 是領域特定的設計——不是為生物學調整的通用模型，而是從零開始為結構預測、分子生成和基因組學訓練的模型。將其與 Baseten 的推理基礎設施配對，意味着生命科學研究團隊可以端到端地運行完整的發現流水線，而無需自行搭建和管理底層的計算資源。
NVIDIA NIM 微服務是一種 Docker 容器，通過小型 HTTP API 提供單個模型的推理服務，其中包含了權重、CUDA 和服務堆棧。BioNeMo 是 NVIDIA 的 AI 驅動生物學和藥物發現平台，提供開放模型、庫、數據集、工具和用於科學 AI 工作負載的 NIM 微服務。BioNeMo 產品組合涵蓋三大類別：
- 理解生物學：分析生物序列並識別生物學意義的模型，例如從原始序列映射分子3D形狀。示例包括 Evo 2。
- 設計新療法：生成蛋白質、抗體和分子的模型，例如設計全新的功能性蛋白質以針對特定疾病。示例包括 RFdiffusion、ProteinMPNN、GenMol、MolMIM。
- 預測結構和相互作用：預測生物分子行為和相互作用的模型，例如讀取序列以理解其特性、進化和功能。示例包括 OpenFold2、OpenFold3、Boltz2、DiffDock。
在 Baseten 上可用的 BioNeMo NIM 微服務總結在文章表格中。
除了容器，NVIDIA 還發布了 BioNeMo Skills。Skill 是一個為智能體編寫的 Markdown 規範，包含針對給定任務調用哪個端點、認證頭、確切的負載字段、如何解析響應以及常見錯誤的含義。每個模型對應一個 SKILL.md 文件和參考文件，兩個“元技能”將多個模型組合成完整的流水線。當智能體指向這些技能時，它可以自主決定摺疊序列意味着先收集比對再進行摺疊，正確格式化兩個負載，然後將數據從一個模型傳遞到下一個模型。因此，技能將一堆 HTTP 端點轉變為智能體可以端到端驅動並提供完整科學工作流的東西。
上下文對於結構模型運行至關重要。AlphaFold 類模型的準確率並非僅來自序列，而是來自進化。找到其他物種中數百個相關蛋白質並將其對齊，數百萬年來共同突變的列通常在3D中接觸。比對中的共進化信號是摺疊器讀取的主要內容，這就是為什麼單獨摺疊一個序列會得到明顯較差的結果。獲取上下文的全部工作由 MSA-Search 完成：GPU MMseqs2 在約1.4TB的參考數據庫上進行搜索，將之前需要數十分鐘到數小時的 CPU 搜索縮短到幾秒鐘內完成。
通過 BioNeMo 技能，智能體能夠自主執行蛋白質摺疊等流程。例如，智能體讀取元技能後，進行兩次調用：首先進行搜索獲取多序列比對，然後將比對文本作為輸入傳遞給摺疊模型。當輸入為兩條鏈的複合物時，智能體會選擇配對搜索而非標準搜索。它可以運行 OpenFold3 兩次，一次使用完整比對，一次使用單序列比對，然後讀取置信度分數並決定是否信任答案。這種決策能力正是 BioNeMo 技能所賦予的。
除了摺疊，BioNeMo Agent Toolkit 還支持更廣泛的科學工作流，包括蛋白質結合劑設計、虛擬篩選、基因組分析和靶點發現。這些工作流將孤立的模型調用轉變為完整的科學發現流水線。以藥物發現為例：GenMol 從支架生成候選分子，DiffDock 將每個候選分子與目標蛋白對齊並僅保留匹配的，Boltz2 預測每個分子的結合強度，最後智能體生成、對接、評分、排序並返回按預測效價排序的候選列表。
所有 BioNeMo NIM 微服務現已在 Baseten 模型庫中提供。開發者可以通過 Baseten 的 MCP 直接部署它們，並使用 Baseten Skills 進行調用。同樣的模式可以端到端地工作：智能體讀取技能，從庫中選擇正確的 NIM，部署它並開始調用。通過將 BioNeMo Agent Toolkit 在 Baseten 上提供，開發者可以快速部署和擴展科學 AI 工作負載，而無需管理模型服務、GPU 基礎設施或編排的複雜性。像 Benchling 這樣的團隊已經在生產中使用 Baseten 運行 BioNeMo 工作負載，加速從序列到結構再到候選的路徑。