РЕЛИЗ · MODELS · #2349
NVIDIA BioNeMo выпустила RFD4-Proteina: модель проектирования белков с поиском при выводе и NIM‑микросервис
RFD4-Proteina — открытая модель, совместно разработанная NVIDIA BioNeMo и Институтом дизайна белков Университета Вашингтона — совместно проектирует аминокислотные последовательности и полноатомные структуры и использует reward‑guided поиск во время вывода для фокусировки вычислений на перспективных кандидатах. Метод применяет латентное представление на уровне остатков и инженерную диффузию, сокращая выборку примерно с 400 до 60 шагов и обеспечивая примерно 3.8× более быструю генерацию и около 84% меньшую пик‑память по сравнению с RFD3 при 200 остатках; проект предлагает открытый репозиторий на GitHub и NIM‑микросервис с HTTP‑интерфейсом для быстрого вывода и автоматизированных кампаний (включая пример дизайна биндера к PD‑L1 с хотспот‑ограничениями).
КЛЮЧЕВЫЕ ТЕЗИСЫ
- RFD4-Proteina — открытая модель, совместно разработанная NVIDIA BioNeMo и Институтом дизайна белков Университета Вашингтона — совместно проектирует аминокислотные последовательности и полноатомные структуры и использует reward‑guided поиск во время вывода для фокусировки вычислений на перспективных кандидатах.
- Метод применяет латентное представление на уровне остатков и инженерную диффузию, сокращая выборку примерно с 400 до 60 шагов и обеспечивая примерно 3.8× более быструю генерацию и около 84% меньшую пик‑память по сравнению с RFD3 при 200 остатках; проект предлагает открытый репозиторий на GitHub и NIM‑микросервис с HTTP‑интерфейсом для быстрого вывода и автоматизированных кампаний (включая пример дизайна биндера к PD‑L1 с хотспот‑ограничениями).
- Релиз ускоряет и снижает потребление памяти при ИИ‑проектировании белков, интегрируя поиск с вознаграждением и CUDA‑ускоренные оценщики, что ускоряет итерации и развёртывание в исследованиях и поиске лекарств.
БРИФ ДЛЯ РЕШЕНИЙ
УВЕРЕННОСТЬ
ЧТО ИЗМЕНИЛОСЬ
NVIDIA BioNeMo и Институт дизайна белков Университета Вашингтона выпустили RFD4-Proteina и сопутствующий NIM‑микросервис. Модель совместно проектирует аминокислотные последовательности и полноатомные структуры, использует поиск во время вывода с управлением по вознаграждению и применяет латентное представление на уровне остатков и инженерную диффузию, сокращающую выборку примерно с 400 шагов до 60. В сравнении с RFD3 при 200 остатках отмечены ≈3.8× более быстрая генерация и ≈84% меньшая пик‑память. Проект доступен как открытая модель на GitHub, как NIM‑микросервис с HTTP‑интерфейсом для быстрого вывода и автоматизированных кампаний, а также через Hugging Face Spaces (включая период бесплатного доступа).
ПОЧЕМУ СЕЙЧАС
RFD4‑Proteina сокращает число шагов выборки, время генерации и пик‑память по сравнению с RFD3, а также интегрирует поиск с вознаграждением и CUDA‑ускоренные оценщики (OpenFold3, TMol). Сочетание алгоритмической эффективности, интегрированных оценщиков, HTTP‑микросервиса и браузерных Spaces снижает барьеры для итеративного вычислительного дизайна белков и быстрой прототипизации рабочих процессов для вычислительных биологов, ML‑инженеров и исследователей в поиске лекарств.
КОГО ЗАТРАГИВАЕТ
Непосредственно затронуты: вычислительные биологи, ML‑инженеры и исследователи в поиске лекарств, использующие или разрабатывающие модели/конвейеры проектирования белков; пользователи предыдущих моделей RFD (например, RFD3), которые могут перейти ради улучшений по производительности и памяти; пользователи Hugging Face Spaces, которые могут запускать модель в браузере (включая период спонсируемого бесплатного доступа).
ПОДТВЕРЖДЕНО
Все утверждения ниже прямо содержатся в предоставленных источниках: 1) RFD4‑Proteina — открытая модель NVIDIA BioNeMo, совместно разработанная с Институтом дизайна белков Университета Вашингтона. 2) Модель совместно проектирует последовательности белков и полноатомные структуры и устраняет отдельную стадию обратного сворачивания. 3) Используется поиск во время вывода с управлением по вознаграждению для фокусировки вычислений на перспективных кандидатах. 4) Архитектура сочетает flow‑matching модель с автоэнкодером, где каждое звено кодируется координатой опорного атома и выученным латентным вектором (поддерживает стандартные и некоторые модифицированные остатки и другие молекулярные контексты). 5) Латент на уровне остатков и инженерная диффузия сокращают выборку примерно с 400 шагов до 60. 6) В приведённом сравнении с RFD3 при 200 остатках — ≈3.8× ускорение генерации и ≈84% меньшая пик‑память. 7) Поиск во время вывода интегрирует CUDA‑ускоренные оценщики, включая OpenFold3 и TMol. 8) Проект предоставляет открытую модель на GitHub и NIM‑микросервис с HTTP‑интерфейсом; навыки rfd4‑proteina‑campaign и rfd4‑proteina‑package координируют генерацию, поиск, оценку и архивирование. 9) Выпуск содержит примерные рабочие процессы, например дизайн биндера к PD‑L1 с хотспот‑ограничениями. 10) Hugging Face предоставляет Spaces для RFD4‑Proteina (dedicated и ZeroGPU); NVIDIA спонсирует бесплатный доступ к dedicated Space с 21 октября по 4 ноября 2026 г. (Все пункты взяты напрямую из предоставленных выдержек.)
НЕОПРЕДЕЛЁННОСТЬ
Недостаточно данных или неуверенно (не разрешено предоставленными выдержками): 1) Лицензирование модели, условия перераспространения и ограничения использования в выдержках не указаны. 2) Подробности, объём и количественные результаты упомянутых «экспериментальных результатов валидации по задачам дизайна» отсутствуют. 3) Показатели валидации в wet‑lab, успехи в биологических анализах или клиническая значимость за пределами приведённых примеров (например, PD‑L1) не описаны. 4) Масштабируемость и производительность вне указанного бенчмарка в 200 остатков (например, для существенно больших конструкций) не приведены. 5) Аппаратные требования, стоимость и пропускная способность NIM‑микросервиса при промышленном развёртывании не уточнены. 6) Меры безопасности, контроль доступа и смягчение рисков двойного использования/биобезопасности не описаны. 7) Изменения в доступе/ценах после спонсированного периода бесплатного доступа не указаны. Противоречий между источниками в выдержках не обнаружено; пункты неопределённости отражают отсутствие нужных данных.
ЧТО ОТСЛЕЖИВАТЬ
Конкретные наблюдаемые сигналы для мониторинга: 1) GitHub: коммиты, релизы, файл лицензии и обновления кода обучения/вывода в репозитории RFD4‑Proteina. 2) NIM‑микросервис: опубликованная документация по API, образы docker/контейнеры и примеры шаблонов кампаний (rfd4‑proteina‑campaign/package). 3) Hugging Face: активность или изменения в Spaces для RFD4‑Proteina, статистика использования и уведомления о завершении бесплатного доступа. 4) Бенчмарки/публикации: детальные статьи или посты от NVIDIA или Института дизайна белков с описанием экспериментальной валидации и производительности на разных длинах последовательности. 5) Статус интеграции: документация или релизы, подтверждающие интеграцию OpenFold3 и TMol, а также требования к оборудованию. 6) Сигналы сообщества: форки, сторонние руководства и независимые результаты бенчмарков от академических или промышленных групп.
ПОЧЕМУ ЭТО ВАЖНО
Релиз ускоряет и снижает потребление памяти при ИИ‑проектировании белков, интегрируя поиск с вознаграждением и CUDA‑ускоренные оценщики, что ускоряет итерации и развёртывание в исследованиях и поиске лекарств.
КАРТА ДОКАЗАТЕЛЬСТВ
4Редакционные тезисы связаны с конкретными источниками. Отдельно отмечены подтверждения, противоречия и контекст.
RFD4-Proteina разработана совместно NVIDIA BioNeMo и Институтом дизайна белков Университета Вашингтона.
ПОДТВЕРЖДЕНОПроверено 2026-10-21 · 2 подтверждений
Фрагмент NVIDIA Developer прямо указывает, что модель — открытая разработка BioNeMo совместно с Институтом дизайна белков UW.
ПОДТВЕРЖДАЕТ Hugging FaceMEDIA · 2026-10-21Фрагмент Hugging Face также указывает на совместную разработку NVIDIA и Института дизайна белков UW.
RFD4-Proteina совместно проектирует аминокислотные последовательности и полноатомные 3D‑структуры и использует поиск во время вывода с вознаграждением для фокусировки вычислений на перспективных кандидатах.
ПОДТВЕРЖДЕНОПроверено 2026-10-21 · 2 подтверждений
NVIDIA Developer прямо указывает, что модель совместно проектирует последовательности и полноатомные структуры и использует поиск во время вывода с вознаграждением для фокусировки вычислений.
ПОДТВЕРЖДАЕТ Hugging FaceMEDIA · 2026-10-21Hugging Face описывает объединение генерации последовательностей и полноатомных структур в одну модель (совместный дизайн); отрывок не подчёркивает поиск с вознаграждением.
Латентное представление на уровне остатков и инженерная диффузия сокращают выборку примерно с 400 до 60 шагов, давая ~3.8× более быструю генерацию и ~84% меньшую пик‑память по сравнению с RFD3 при 200 остатках.
ПОДТВЕРЖДЕНОПроверено 2026-10-21 · 1 подтверждений
Модель сочетает flow‑matching с автокодировщиком, который представляет каждый остаток или нуклеотид как координату опорного атома (для аминокислот — альфа‑углерод) и обучаемый латентный вектор; декодер разворачивает это в полноатомные структуры и последовательности.
ПОДТВЕРЖДЕНОПроверено 2026-10-21 · 1 подтверждений
ИСТОЧНИКИ И ХРОНОЛОГИЯ
2RFD4-Proteina co-designs protein sequences and all-atom structures using reward-guided inference-time search to focus compute on promising candidates. The model combines explicit backbone coordinates with latent representation, removing the separate inverse-folding handoff required by prior approaches. Residue-level latent representation and engineered diffusion reduce sampling from about 400 steps to 60, deliverin…
Protein design starts with setting a goal: a target to bind, a molecule to recognize, or an arrangement of atoms to preserve. Turning that goal into a design has usually meant splitting up the workflow across models that each handle one modality or one stage and reassembling the pieces afterward. Information is lost at every handoff. RFD4-Proteina is a BioNeMo open model for programmable protein design, co-developed…