NVIDIA の BioNeMo エージェント・ツールキットが、創薬における AI エージェント向けに生体分子モデルを呼び出し可能なスキルへ変換

AI 科学者は、科学計算のための新しいインターフェースとなりつつあります。これらのエージェントは論文を読み込み、コードを記述し、仮説を生成し、API を呼び出し、ファイルを調査します。しかし、科学はソフトウェア工学とは異なります。仮説が正しいからといってテストスイートが緑色に点灯することはありません。発見プロセスは反復的であり、不確実性を伴い、物理世界に根ざしたものです。 このギャップこそが NVIDIA が狙っている対象です。NVIDIA は BioNeMo Agent Toolkit に関する実践的なウォークスルーを公開しました。その主張は明快です。生物学を対象とした汎用的なコーディングエージェントでは、新しい医薬品を生み出すことはできません。生体分子研究において、エージェントの性能上限は、信頼性・正確性・効率性を兼ね備えて使用できるツールによって決定されます。 TL;DR BioNeMo Agent Toolkit は、NVIDIA の生体分子モデルを文書化された呼び出し可能なエージェントスキルとしてパッケージ化したものです。 スキルにはタンパク質折りたたみ、ドッキング、生成化学、ゲノミクス、およびタンパク質設計が含まれます。 NVIDIA によると、スキルを活用することでタスク完了率が 57.1% から 100% に向上しました。 エージェントは 1,000 トークンあたりのパスするアサーション数が平均で 2 倍になりました。 クイックアクセスにはホストされた NIM エンドポイントが、反復的な作業にはローカル NIM が適しています。 インタラクティブ・エクスプレイナー BioNeMo Agent Toolkit とは何か BioNeMo Agent Toolkit は、AI エージェント向けの「スキル」を収めたオープンソースリポジトリです。各スキルは、NVIDIA の生体分子モデルをエージェントが呼び出せるツールに変換します。このツールキットには、タンパク質フォールディング、分子ドッキング、生成化学、ゲノム解析、タンパク質設計、バイオマーカー発見の機能がパッケージ化されています。 NVIDIA はこのプラットフォームを 2 つの部分で構成しています。第 1 に加速されたツール層があります。NVIDIA NIM（NVIDIA Inference Microservices）および BioNeMo のオープンモデルが、呼び出し可能なサービスとしてコア機能を提供します。これらの機能は、構造モデル向けには cuEquivariance などのライブラリ、ゲノム解析向けには Parabricks によって加速されています。第 2 に、エージェント対応のインターフェースがあります。BioNeMo Skills は各機能をパッケージ化し、エージェントが利用可能にします。 スキルは、モデルの目的、必要な入力、オプションのパラメータ、期待される成果物、および失敗モードを文書化したものです。Model Context Protocol（MCP）サーバーラッパーは、まだ NIM としてパッケージ化されていないオープンモデルを公開します。これにより、エージェントが自律的に生体分子モデルを発見し、選択し、呼び出し、解釈することが可能になります。 リポジトリ内のスキルは、nim-skills、open-models-skills、library-skills の 3 つに分類されています。workflows フォルダには、多段階のメタスキルが格納されます。一例として、generative_protein_binder_design があり、これは RFdiffusion → ProteinMPNN → OpenFold3 を連鎖させるものです。 BioNeMo スキルの仕組み すべてのスキルは、SKILL.md ファイルを含むディレクトリです。ここには YAML フロントマターに加え、指示、オプションの参照情報、およびオプションのスクリプトが格納されます。エージェントはこのファイルをドキュメントとして読み取り、それに基づいて行動します。 プロンプトパターンはモデル間で同じです。NVIDIA の投稿では OpenFold3 が使用されています。この形状は、生物学向けの他の NIM にも適用されます。これには Boltz-2、DiffDock、GenMol、ProteinMPNN、MSA Search、RFdiffusion、Evo 2 が含まれます。スキル名、入力、エンドポイントを指定するだけです。 # ホスト型 NIM エンドポイント NVIDIA API エンドポイント https://build.nvidia.com/openfold3 を使用して、OpenFold3 BioNeMo スキルで MKTVRQERLKSIVR の折りたたみを行います。 # ローカル NIM デプロイメント ローカル NIM エンドポイント http://localhost:8000 を使用して、OpenFold3 BioNeMo スキルで MKTVRQERLKSIVR の折りたたみを行います。 インストールでは、オープンソースのスキル CLI を通じてスキルを取得します: # 対話式でスキルを閲覧して選択する npx skills add NVIDIA-BioNeMo/bionemo-agent-toolkit # または特定のエージェント用に 1 つのスキルをインストールする npx skills add NVIDIA-BioNeMo/bionemo-agent-toolkit --skill boltz2-nim --agent claude-code deployment はデフォルトではなく選択事項です。インフラストラクチャを管理せずに高速アクセスが必要な場合は、ホスト型 NIM エンドポイントを使用してください。低いウォームアップレイテンシ、データの局所性、または反復的な試行が必要になった場合、選択したモデルをローカルに移動します。 ベンチマーク NVIDIA は、スキルが実際にエージェントのループを改善するかどうかを測定しました。報告されたすべての指標は、GPT-5.5 fast を実行している Codex CLI から得られたものです。チームは、各スキルあり・なしでの同一のエージェントを比較しました。 最初の指標はタスク完了率です。スキルがない場合、エージェントは必要なタスクの平均 57.1% を完了しました。NIM スキルへのアクセスがある場合、完了率は 100% に達しました。 効率性は2番目の指標でした。NVIDIA は、タスクを構成する個々のステップであるアサーションの通過数をカウントしました。スキルを使用すると、エージェントは1,000 トークンあたり2倍の通過アサーションを生み出しました。この向上は、テストされたすべての 10 の NIM スキルにおいて維持されました。 使用例と具体例 タンパク質構造予測: エージェントは Boltz-2 または OpenFold3 を用いてペプチド配列を折りたたみます。その結果、後続の検査用の CIF ファイルが返されます。 複数配列アライメント: エージェントは MSA Search スキルを通じて MMseqs2 で MSA（Multiple Sequence Alignment）を生成します。生成されるアーティファクトは A3M ファイルです。 創薬化学（ジェネレーティブ・ケミストリー）: エージェントは GenMol を用いて候補分子を生成します。出力は SDF または SMILES 形式で、フィルタリングのために提供されます。 タンパク質結合体設計: generative_protein_binder_design ワークフローでは3つのモデルが連鎖します。RFdiffusion がバックボーンを構築し、ProteinMPNN が配列を設計し、OpenFold3 が折りたたみを検証します。 各ループは同じ形状に従います：エージェントはモデルを選択し、入力を準備し、実行し、出力を検査し、注意点を付して結果を説明します。 比較：スキルありのエージェントとなしのエージェント 次元 | 一般エージェント（スキルなし） | エージェント + BioNeMo スキル ---|---|--- タスク完了 | 平均 57.1% | 平均 100% トークン効率 | ベースライン | 1,000 トークンあたり2倍の通過アサーション モデル選択 | ツール、フォーマット、入力を推測 | 目的、入力、アーティファクトを読み取る デプロイメント | ソースからの手動セットアップ | ホストまたはローカルの NIM（NVIDIA Inference Microservices）、文書化済み 障害ハンドリング | 不明な障害モード | スキルごとの文書化された障害モード ワークフロー | 単一の孤立した呼び出し | マルチステップのメタスキル（結合体設計など） Getting Started 準備は最小限です。Claude や Codex などのエージェントランタイムが必要です。ホストされた BioNeMo NIM エンドポイントを利用するには NVIDIA API キーが必要です。GPU ノードは、ローカルでの NIM デプロイを行う場合にのみオプションとなります。 まず、エージェントをリポジトリに指向させます。実行する前に利用可能な機能を列挙させてください。その後、1 つのモデルを操作するための単一のスキル（技能）を与えてください。 NVIDIA は2つの注意点を示しています。build.nvidia.com のエンドポイントは小規模な開発とテスト専用であり、本番環境での推論には適していません。また NVIDIA は検証を強調しており、信頼する前に低信頼度の構造を確認し、生成された分子をフィルタリングする必要があります。

NVIDIA の BioNeMo エージェント・ツールキットが、創薬における AI エージェント向けに生体分子モデルを呼び出し可能なスキルへ変換

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト