数据科学

使用 NVIDIA BioNeMo Agent Toolkit 打造适用于生命科学发现的 AI 科学家

2026年 6月 23日
作者：, , 和

AI 科学家正在成为科学计算的新界面。这些智能体可以阅读论文、编写代码、生成假设、调用 API、检查文件并对结果进行迭代。但科学并不是软件工程。当假设正确时，没有一个测试套件会变成绿色；发现是迭代的、不确定的，并且基于物理世界。您不能使用通用编码代理，将其指向生物学，并期望获得新药。在生物分子研究中，AI 科学家的能力上限取决于其能够可靠、正确且高效地使用的科学工具。

通用智能体可以理解蛋白质折叠、分子对接、分子生成、序列设计、多序列比对、蛋白质主干生成或基因组建模是否与任务相关。它需要帮助我们了解要调用的 AI 模型、请求的格式、重要的输入参数、预期的构件以及如何解释结果。

NVIDIA BioNeMo 平台可以缩小任何智能体的差距。它将 NVIDIA 加速的数字生物学堆栈转变为 AI 科学家可以使用的工具：

  • 加速工具层：NVIDIA NIM 和 BioNeMo 开放模型以经过优化的可调用服务的形式提供核心生物分子功能，包括结构预测、对接、分子生成、序列设计、比对/搜索和基因组学。这些功能由 cuEquivariance (结构模型) 和 Parabricks (基因组学) 等 NVIDIA 库加速，而不仅仅是在 NVIDIA 硬件上运行。
  • 智能体就绪型接口：NVIDIA BioNeMo 技能将每个功能打包成文档化的可调用资源，以便智能体选择合适的工具、发送有效请求并读取结果。此类工具包括用途、所需输入、可选参数、预期伪影和故障模式。模型上下文协议 (MCP) 服务器封装器通过相同的代理+ 可调用模式公开了尚未打包为 NIM 的开放模型。

本文将介绍将智能体指向平台的动手过程，为智能体提供操作模型的 BioNeMo 技能，选择模型的运行位置，并测量智能体的循环是否真正得到改善 (见下文图 1) 。技能是这里的重点，因为它们是将模型转换为智能体工具的最直接方式。

Diagram showing an AI scientist workflow that starts from a scientific goal and iterates through model selection, input preparation, model execution, output inspection, and explanation, then produces a grounded result by calling BioNeMo capabilities such as fold, dock, search, score, and simulate
图 1. AI 科学家从科学目标中迭代，选择模型、准备输入、运行模型、检查输出，并附带警告说明结果；这通过调用 BioNeMo 功能 (如折叠、停靠、搜索、评分和模拟) 来生成基础结果

预备知识

  • 访问 BioNeMo Agent Toolkit 技能库 (https://github.com/NVIDIA-BioNeMo/bionemo-agent-toolkit) ，包括技能和 NIM 参考资料
  • 例如 Claude 或 Codex 的智能体运行时
  • 用于托管 BioNeMo NIM 端点的 NVIDIA API 密钥
  • (可选) 用于本地 NIM 部署的 GPU 节点

使用 BioNeMo 培养 AI 科学家

1. 规划科学工作流程

从 AI 科学家应该执行的工作流程开始。实用的生物分子 AI 科学家可以选择模型、准备有效的输入、运行模型、检查输出结果，并在解释结果时附加科学警告。 

例如，AI 科学家可以：

  • 使用 MMseqs2 ( MSA 搜索) 生成多序列比对
  • 使用 Boltz = 2 或 OpenFold3 折叠序列
  • 使用 GenMol 生成分子
  • 使用 DiffDock 将配体与蛋白质标对接

该平台为每个步骤提供可部署的模型层。NIM 将生物分子 AI 模型 (包括结构预测、分子生成、对接、序列分析、设计和基因组学 (例如 Evo 2 和 Parabricks)) 打包成通过托管端点或本地基础设施运行的优化、可调用服务。 

BioNeMo 技能是这些服务的基础，使每个功能都可由智能体使用，描述模型的目的、所需输入、可选参数、预期伪影和故障模式，以便 AI 科学家可以选择正确的工具、准备有效的请求，并解释 CIF、SDF、FASTA、A3M 或 SMILES 文件等输出。

2. 将代理指向平台

从发现开始，而不是从单个端点开始。请访问 https://github.com/NVIDIA-BioNeMo/bionemo-agent-toolkit，找到智能体，以便其列举可用功能，并在行动之前了解平台结构。接下来，相关技能 (或 MCP 服务器封装器，适用于尚未打包成 NIM 的开放模型) 会告诉智能体如何使用特定模型、该模型做什么、何时使用、如何准备请求以及预期的构件。

将 BioNeMo 技能视为智能体能力，而不仅仅是端点封装器。相同的提示模式适用于平台中的任何模型。

3. 选择托管或本地部署

NIM 为团队提供了灵活的部署选项。当 AI 科学家需要快速访问非生产性代码时，使用托管的 NIM 端点，而无需管理基础设施、GPU 调度、容器设置、模型预热或大型支持数据库。这使得托管成为广泛的坐席访问、评估、偶尔通话或依赖基础设施密集型服务 (如 MSA 搜索) 的工作流的最佳起点。

当工作流重复调用同一模型，或者需要更低的热延迟、数据局部性或更严格的运行时控制时，请使用本地 NIM 部署。这适用于生成候选项、检查输出、调整参数以及多次重新运行的迭代智能体循环。

实用规则：启动托管以方便访问和扩展，然后在延迟、吞吐量、安全性或重复迭代证明有必要增加操作控制时，将选定的模型移动到本地。在单个 GPU 上进行的内部测试中，移动正确的模型可在局部降低重复性呼叫工作负载的每次高温呼叫延迟，而托管端点则可提供最佳的一次性呼叫服务。

技能或 MCP 包装器应通过告知智能体模型的可用位置、如何调用模型以及预期的构件来支持这两种路径。

4. 通过技能使用模型

对任何 BioNeMo 技能使用相同的提示结构。以下示例使用 OpenFold3，但也适用于玻尔兹 – 2、DiffDock、GenMol、ProteinMPNN、MSA Search、RFdiffusion、Evo 2 和其他生物学 NIM。

对于托管的 OpenFold3 NIM 端点：

Use the OpenFold3 BioNeMo Skill to fold MKTVRQERLKSIVR with the NVIDIA API
endpoint at https://build.nvidia.com/openfold3

对于本地 OpenFold3 NIM 部署：

Use the OpenFold3 BioNeMo Skill to fold MKTVRQERLKSIVR with the local NIM
endpoint at http://localhost:8000 (or the endpoint where NIM is deployed)

加速工具，而不仅仅是封装器

该平台的价值在于其速度快，在调用时即可投入生产。BioNeMo NIM 为许多最常用的模型提供加速的、易于部署的微服务。BioNeMo NIM 技能简化了这些微服务的部署，使智能体能够在本地运行或使用托管服务。这消除了从源代码构建和部署模型所需的依赖项管理的复杂性。  

AI 科学家在迭代循环中工作：生成候选项、检查输出、调整参数、重新运行。BioNeMo NIM 由 BioNeMo NIM 技能提供支持，通过简化部署和下游推理任务来改进此循环，从而实现快速迭代。我们通过对智能体结果的质量和每次运行的效率进行基准测试来衡量这一点，并将智能体的技能与不具备技能的同一智能体进行比较。

A bar chart showing the ability of an agent to generate a response to execute a user's task with and without access to individual BioNeMo NIM Skills. With access to the necessary skills, the agent can generate a response that successfully completes the task in all cases. Without access to the required skills, the agent will successfully complete only 57.1% of the required tasks

图 2. 衡量智能体生成响应的能力，这些响应将在不使用技能与使用技能的情况下完成用户的任务。通过访问 NIM 技能，智能体完成任务的能力平均从 57.1％提高到 100％

另一个指标是智能体使用构建这些迭代工作流程所需工具的效率。在这里，我们衡量智能体 (无论是否具备技能) 的 token 效率。通过考虑到上图 2 所示的正确性，我们可以通过比较通过的断言 (构成整体任务的各个步骤) 数量与所需令牌数量来评估智能体的整体性能。 

使用 BioNeMo NIM 技能时，智能体对每个使用的 token 的通过断言次数平均可提升 2 倍。

A bar chart showing the number of passing assertions (successfully completed steps) per 1k tokens consumed. On average, an agent with access to NIM skills produces 2x more passing assertions per 1k tokens

图 3. 条形图，显示所有十项 NIM 技能的标记效率，以通过的断言数量衡量。平均而言，拥有 NIM 技能的智能体每生成 1000 个 token，其传递的断言量将增加 2 倍

使用任务级结果评估准确性：智能体是否选择了正确的模型、准备了有效的输入、返回了预期的伪影并正确解释了结果？评估单次调用延迟、参数扫描延迟和令牌使用的效率。这些组合显示了该技能是否能够帮助智能体以更少的设置、更少的重试和更快的迭代速度产生更好的科学结果 (请参见上图 2) 。

此处报告的所有指标均使用 Codex CLI 进行测量，且 GPT-5.5 速度快。所有 BioNeMo NIM 技能均设计为与智能体无关，因此其他后端和模型也可期待类似的智能体性能。

故障排除

  • 如果预测结构的置信度较低，请检查序列、MSA、模板或约束条件在生物学上是否合适。
  • 如果对接或结合结果看起来难以置信，请先检查生物设置，然后再相信姿势或评分。
  • 如果生成的分子或蛋白质设计前景光明，请在推进前使用下游科学标准对其进行过滤。
  • 如果 NIM 自动为您的 GPU 选择不兼容的优化配置文件，请显式设置模型配置文件，而不是依赖自动选择。
  • 网址为 build.nvidia.com 的端点仅用于小规模开发和测试，不适用于生产级推理。

深入了解

BioNeMo 将 NVIDIA 加速的生物分子堆栈转变为可调用、可发现的工具，任何智能体都可以用它来实现真正的生物学。加速模型层 (由 cuEquivariance 和 Parabricks 等库加速的 NIM 和开放模型) 提供相关功能；BioNeMo 技能和 MCP 包装器教会智能体如何正确使用每个模型；单个存储库允许智能体在首发日发现整个平台。 

对于构建完整智能体的团队而言，更广泛的平台 (包括 NVIDIA Nemotron 和用于编排和内存的 NVIDIA NeMo Agent Toolkit) 将相同的方法扩展到单一工具调用之外。

工作流从科学任务开始，然后将每个步骤映射到相应的模型、界面和部署路径。从托管的 NVIDIA NIM 端点开始，以实现广泛的访问和易用性，然后在延迟、吞吐量、安全性或重复迭代需要更多控制时将选定的模型移动到本地。这将生物分子 AI 从孤立的模型调用转变为迭代研究循环。 

开始使用 

借助 BioNeMo，AI 科学家可以将结构预测、分子生成、对接、序列分析、设计和基因组学用作可调用的工具，从提示词到假设、从假设到模型调用，以及从模型输出到下一个科学决策。 

请通过 https://github.com/NVIDIA-BioNeMo/bionemo-agent-toolkit 联系您的代理，并向其提供 BioNeMo 技能以开始使用。

标签

数据中心/云端 | 数据科学 | 模拟/建模/设计 | 医疗健康和生命科学 | BioNeMo | CUDA | NIM | 中级技术水平 | 公告 | 教程 | HPC/ 科学计算 | 精选 | 药物研发

关于作者

Kyle Tretina 是 NVIDIA BioPharma 和 NVIDIA BioNeMo 的产品营销主管。他在学术性传染病研究领域工作了 10 年，将多组学技术用于疫苗和药物研发。他还拥有 techBio、产品管理和营销方面的经验。最近，他担任了 Insilico Medicine 计算机辅助药物设计软件套件的联盟经理。
Mahan Salehi 是 NVIDIA 的深度学习软件产品经理，专注于 Triton 推理服务器。在 NVIDIA 之前，他是一家人工智能初创公司的联合创始人兼首席执行官，此前也曾在医疗器械行业工作。他拥有多伦多大学的工程学学位。
Neel Patel 是一位专注于 NVIDIA Jetson 嵌入式平台的现场应用工程师。他热衷于嵌入式系统。Neel 拥有圣何塞州立大学计算机工程硕士学位。
Kris Kersten 是 NVIDIA 的解决方案架构师，专注于 AI ，致力于扩展 ML 和 DL 解决方案，以解决当今医疗领域最紧迫的问题。在加入 NVIDIA 之前， Kris 曾在 Cray 超级计算机公司工作，研究从低级缓存基准测试到大规模并行模拟的硬件和软件性能特征。