Claude Science で NVIDIA BioNeMo NIM を実行しタンパク質構造予測を支援

エージェント型 AI が研究のあり方を変えつつあります。AI 科学者は論文を読み、仮説を提案し、モデルを呼び出し、次に優先すべき実験を決定します。ソフトウェアエンジニアリング分野でその価値が証明された後、コーディングエージェントはすでに生産コードの作成、テスト、リリースまでを担っています。一方、科学研究はより厳しく、反復的なプロセスを要求されます。研究者は絶えず証拠を評価し、仮説を洗練させ、その後の判断を形作る実験を実行します。失敗した実験でさえも、予期せぬ洞察をもたらすことがあります。

科学問題には、タンパク質の折りたたみや分子の特性解析など、ドメイン固有のツールが必要なケースも少なくありません。これらのツールの調整や運用は容易ではありません。類似のパッケージでも環境要件や API が大きく異なることがあり、汎用的なエージェントが「タンパク質の折りたたみが必要だ」と認識しても、どのモデルを実行すべきか、リクエストをどうフォーマットするか、どのパラメータが重要かを判断することはできません。

NVIDIA BioNeMo Agent Toolkit はこのギャップを埋めます。このツールキットは、10 年以上にわたる NVIDIA BioNeMo のライフサイエンス向けモデル、ライブラリ、ワークフローをパッケージ化し、生物学、化学、ゲノム解析、創薬のためのエージェント呼び出し可能なスキルとして提供します。

あらゆるエージェントフレームワークで動作するように設計されたこのツールキットは、専門的なドメイン知識を活用した複雑な科学ワークフローを実現します。内部ベンチマークでは、BioNeMo のスキルによりタスクの正答率が 60% から 100% に向上し、トークン効率もおよそ倍増しました。

本記事では、Anthropic が提供する科学調査用 AI ワークベンチ「Claude Science」を活用し、NVIDIA の BioNeMo Agent Toolkit と NIM を組み合わせて、複数の折りたたみモデルを用いたタンパク質構造予測と結果の比較を行います。このプロセスには、多配列アライメント（MSA）の処理も含まれます。

環境構築

NVIDIA と Anthropic は共同で BioNeMo Agent Toolkit を Claude Science に統合しました。これにより、エージェントが直接 BioNeMo NIM マイクロサービスを検索・起動・呼び出すことが可能になりました。

Claude Science の実行構成は、GPU の設置場所やセキュリティ要件によって異なります。本チュートリアルでは、GPU を搭載したマシン上でプラットフォームを実行する方法に焦点を当てています。詳細な GPU 互換性情報については、製品ドキュメントをご参照ください。また、ローカルノートパソコンから SSH や HPC、Modal 上のクラウドコンピューティングを通じてリモートの GPU に接続して実行することも可能です。

本チュートリアルを進めるには、NVIDIA L40S または NVIDIA H100 GPU を備えたワークステーションまたはクラウドマシンへのアクセス権限と、Claude Science のインストールが必要です。このワークフローでは約 700 GB のストレージ容量が必要となります。具体的には、msa-search NIM が使用する UniRef30 データベースが約 490 GB（1.4 TB のフルセットではなく、UniRef30 に特化したプロファイルを使用）であり、Boltz-2 と OpenFold3 のコンテナが合計で 30〜40 GB を占めるためです。

デフォルトでは、Claude Science はサンドボックス環境で動作します。BioNeMo NIM マイクロサービスを実行するには、ローカルまたはリモートの GPU リソースを公開する計算エンドポイントが必要です。

Claude Science では、「カスタマイズ > 計算 > NVIDIA BioNeMo NIM > 接続」を選択してください。その後、GitHub から BioNeMo エージェント・ツールキットのスキルをインポートし、NVIDIA API キーを追加して、ホスト GPU を使用する Docker コンテナであるローカルエンドポイントに接続します。

スキルのインポート、API キーの保存、ローカル接続の設定が完了したら、新しいプロジェクトとセッションを開始してください。その後、Claude に必要な NIM マイクロサービスエンドポイントの作成を指示します。

Download and launch the local BioNeMo NIM containers for the msa-search, openfold3 and boltz2 microservices. For msa-search, download only the UniRef30 database so it downloads only ~490 GB instead of the full 1.4 TB. Run a smoke test on each to confirm they are healthy.

プロンプトが表示されたら、両方のモデルに対して「エンドポイントを承認」を選択してください。これらのエンドポイントを設定するには、各マイクロサービスのコンテナをダウンロードする必要があります。

手順

3 つの NIM エンドポイントが稼働している状態で、Claude Science が構造予測ワークフローをオーケストレーションします。具体的なパイプラインを確認するために、本チュートリアルでは Seh1 タンパク質と、パラコキシジオマイコーシス（Paracoccidioidomycosis）を引き起こす真菌である *Paracoccidioides lutzii* から予測された Mio 族のパートナータンパク質を対象に解説します。

この例は、Han, Tsenkov, Venanzi らによる論文「AlphaFold Database expands to proteome-scale quaternary structures」の Figure 4e を motivated としています（bioRxiv, DOI: 10.64898/2026.03.27.714458）。

Seh1 と Mio ファミリータンパク質は、保存された栄養センサー機構に関与しており、他の生物からの構造データから、Mio が Seh1 の本来開いたβプロペラー構造を完成させることが示唆されています。このペアは、MSA（多配列アラインメント）支援による複合体予測の有用なテストケースとなります。

本チュートリアルでは、*Paracoccidioides lutzii* 由来の二タンパク質系を用います。核孔タンパク質 Seh1 (C1GY11) と、未詳の提案パートナー（C1HCX1）です。ここで問われる構造学的課題は、Seh1 を単独でモデル化した場合と、提案されたパートナーと共にモデル化した場合では、予測される構造にどのような違いが生じるかという点です。

この問いを検証するため、Claude Science はターゲット配列に対して MSA を用いて進化的文脈を構築します。その後、そのアラインメントを 2 つの独立した折りたたみモデルへ渡します。入力と出力を保持することで、各モデル内で単鎖予測と二鎖予測を比較検討できるようにしています。

ワークフローは以下の 3 つの段階から構成されます：

• GPU アクセラレーションされた MSA Search NIM を用いて、単鎖および種間ペア配列に対して MSA を生成する。
• OpenFold3 NIM を用いて、単鎖と二鎖複合体の構造を予測する。
• Boltz-2 NIM でも同様の予測を繰り返し、各モデルの結果を独立して評価する。

図 1：Claude Science 上の BioNeMo スキルは、MSA Search、OpenFold3、Boltz-2 の NIM を活用し、多配列アライメント（MSA）の生成とタンパク質構造予測をオーケストレーションします。

ステージ 1：MSA の生成

エージェントは UniProt から 2 つのタンパク質配列を取得し、2 種類のアライメントを作成します。まず、各鎖の構造に関する情報を提供するために、各タンパク質に対して非対（unpaired）のアライメントを生成します。次に、同じ種に見られる関連する 2 つのタンパク質バージョンを対応付けることで、対（paired）アライメントを作成します。一方のタンパク質に変化が生じると他方にも一貫して変化が伴う場合、そのパターンはモデルがタンパク質間の相互作用部位を予測する際のヒントとなります。

今回の実行では、各タンパク質について 202 件の配列が検索結果として返されました。エージェントは Seh1（384 アミノ酸）と C1HCX1（976 アミノ酸）のソースおよび配列を記録し、検証用のチェックサムも付与しました。いずれの配列もトリミングせず、構造テンプレートやリガンド、その他の制約条件も提供していません。

以下のプロンプトを使用してください：

I’m comparing the Seh1 protein C1GY11 on its own and with C1HCX1. Load the msa-search-nim skill and download both current FASTA sequences from UniProt. Save where each sequence came from, when you downloaded it, its accession, length, checksum, and chain ID: use A for C1GY11 and B for C1HCX1.
Create an A3M alignment for each protein with the MSA Search NIM. Use Uniref30_2302 only, the ColabFold search type, an E-value of 0.0001, and up to 500 sequences. Then create a paired A3M for the two proteins, in A-then-B order, using greedy pairing.
Save the request, response, A3M files, endpoint, metrics, and any errors. If you cannot make the paired alignment, stop and tell me; do not quietly replace it with a different kind of alignment.

ステージ 2：OpenFold3 を用いた構造予測

OpenFold3 は、鎖ごとの msa（非対）と、複合体の場合は paired_msa を含む分子リストを受け取ります。エージェントは同じ Seh1 配列に対して 2 つの条件で実行します。1 つ目はモノマー（鎖 A とその MSA）、2 つ目はヘテロマー（鎖 A と B およびそれぞれの MSA、さらにペア MSA）です。出力形式には mmCIF を指定し、テンプレートは使用しません。また、サービスが実際に提供するすべてのサンプルと信頼度フィールドを保存します。

以下のプロンプトを使用してください：

Load the openfold3-nim skill. Use the saved alignments to make two OpenFold3 predictions:
1. C1GY11 by itself as chain A.
2. C1GY11 as chain A with C1HCX1 as chain B.
Use the paired alignment for the two-protein prediction. Return mmCIF files. Do not use templates, ligands, pockets, or other constraints.
Save the request, response, structures, runtime details, and every confidence score that the service returns. These scores show model confidence only; do not say they prove the proteins interact. If paired MSA input is unavailable, save the error and stop instead of continuing with an unpaired prediction.

表 1: MSA 入力、mmCIF 出力、テンプレートなしの条件で Seh1 モノマーおよび Seh1–C1HCX1 複合体構造を予測した際の OpenFold3 の信頼度スコア。スコアは NIM から返された値そのままです。

応答には confidence_score, complex_plddt_score, complex_pde_score, ptm_score, iptm_score が含まれており、さらに format, name, source も報告されました。また runtime_metrics は存在しましたが、中身は空でした。

モノマーの iptm_score は定義上 0 であり、OpenFold3 の複合的な confidence_score はインターフェースに重みを大きく与えています。そのため、よく折りたたまれたモノマー（pTM 0.82、pLDDT 82）であっても、複合スコアでは低く評価されてしまいます。OpenFold3 内でのみ confidence_score を読み取るようにしてください。

ステージ 3: Boltz-2 で予測を繰り返す

Boltz-2 では、同じ鎖 ID とテンプレートなしポリシーを持つ 2 つの条件が適用されます。アーキテクチャ上の重要な違いは、Boltz-2 に独立した paired_msa フィールドが存在しないことです。各鎖に対して MSA を 1 つずつ受け取り、内部でペアリングを行います（オプションとして上位レベルでの concatenate_msas も利用可能）。その結果、各 Boltz-2 鎖には個別の A3M が割り当てられます。

以下のプロンプトを使用してください：

Load the boltz2-nim skill and repeat the same two predictions with Boltz-2: C1GY11 alone as chain A, then C1GY11 plus C1HCX1 as chains A and B. Use the saved per-chain alignments in the format supported by the skill.
Do not turn on affinity prediction or use templates, ligands, pockets, or contact constraints.
Save the request, response, structures, runtime details, PAE when available, and the confidence values returned by Boltz-2. If a value is not returned, record that instead of estimating it.  Repeat the predictions without MSA using OpenFold3 and Boltz-2.  Review and analyze all the results, then provide a summary.

Boltz-2 は完全な PAE（Predicted Aligned Error）出力を生成します（write_full_pae=true を設定）。 （原文の技術表記: **paired_msa**）

表 2：MSA 入力を使用し、テンプレートなしで Seh1 モノマーおよび Seh1–C1HCX1 の予測を行った際の Boltz-2 の信頼度スコア。スコアは NIM が返した値そのままを報告しています（pLDDT は 0〜1 のスケール）。

Boltz-2 は、より豊富な信頼度セットを返しました。具体的には confidence_scores、ptm_scores、iptm_scores、protein_iptm_scores、complex_plddt_scores、complex_iplddt_scores、complex_pde_scores、complex_ipde_scores です。さらに、チェーンごとの配列やペアワイズ配列、そして複合体用の最大 1360×1360 の pae/pde マトリックスも含まれています。

サービス側で空欄になっていたのは、実行時のメタデータ（metrics: {}）のみでした。

MSA が負荷を支える入力である

ワークフローには単一配列（MSA なし）での予測も含まれていたため、ステージ 1 の価値を直接測定できます。ヘテロマーにおいて、2 つの鎖間の予測された接触を示す指標であるインターフェース pTM（iPTM）は、MSA を使用しない場合、両モデルで崩壊します。

図 2：OpenFold3 と Boltz-2 の 5 つのサンプルにおける、MSA 入力あり・なしでのヘテロマー iPTM。両モデルとも MSA 入力時には高いインターフェース信頼性を示し、MSA なしでは低い信頼性となります。 （原文の技術表記: , plus per-chain and pairwise arrays and full ）

MSA（Multiple Sequence Alignment）を入力として用いた場合、OpenFold3 の iPTM は 0.85、Boltz-2 では 0.82 に達します。一方、MSA を入力しない場合はそれぞれ 0.14 と 0.19 に低下します。5 つのサンプルは非常に緊密にクラスタリングされており（標準偏差 SD ≤ 0.006）、この差がサンプル全体で一貫していることが示されています。

表 3：OpenFold3 と Boltz-2 の MSA 入力あり・なしにおけるヘテロマー iPTM の比較

この結果を裏付ける 2 つの堅牢なチェックがあります。まず、より generous なサンプリング予算（OpenFold3 では diffusion_samples=5、Boltz-2 ではリサイクルステップ 6 とサンプリングステップ 200 を用いた 5 サンプル）で各条件を実行しましたが、結果は変わりませんでした。MSA ありのインターフェースは依然として高い値を示し、MSA なしのインターフェースは崩壊したままです（単一サンプルの値と 0.01 iPTM 以内で一致）。追加のサンプリングは進化的な入力を代替できません。

第二に、異なるアーキテクチャを持つ 2 つのモデルファミリー（Boltz-2 は MSA ペアリング機構も異なります）は、アライメントを与えられた場合、互いの値が 0.03 iPTM 以内で収束します。これはモデル間の一致を示す安心できる結果です。

モノマーの結果からは、各モデルが MSA に依存する「種類」がわかります。OpenFold3 は単鎖の折りたたみにもアライメントを必要とし（pLDDT が 82 から 36 に低下）、Boltz-2 は配列のみからモノマーをある程度正しく折りたたまれます（0.79 → 0.73）が、MSA なしではインターフェースの配置は不可能です。いずれの場合も、Stage 1 は単なるオプションの前処理ステップではなく、インターフェース仮説の基盤そのものと言えます。

ワークフローが生成した構造を検証する

次にエージェントは、提案されたパートナーが予測された Seh1 構造を変化させるかどうかを確認します。各モデルについて、モノマーとヘテロマーから抽出した Seh1 鎖を重ね合わせ、WD40 β-propeller 領域を精査します。

[*

モノマーとヘテロマーのビューは、Seh1 コアをアラインメントさせた後の同じカメラ位置から描画されており、パートナーストランドがプロペラーの開いたエッジにどのように配置されるかがわかります。

この構造的解析では、2 つの独立したモデルにおいて、ソース論文の図 4e の観察結果が再現されています：

• Seh1 のフォールドは再構築されたのではなく、完成されたものです。 モノマーとヘテロマー間で Seh1 を重ね合わせると、コア Cα-RMSD は OpenFold3 で 0.68 Å（313/384 アミノ酸残基）、Boltz-2 で 0.65 Å（307/384 アミノ酸残基）となりました。パートナーは既存のプロペラーに付加されるものであり、大きなフルチェーン RMSD は、閉じる際に移動するブレード周辺の約 70 残基によるものです。

• 両モデルとも同じパートナーストランドを配置しています。 OpenFold3 と Boltz-2 はともに独立して、Seh1 に対してアミノ酸残基 305–391 付近から C1HCX1 のβストランドのクラスターを位置づけました。これは論文で述べられている「3 つのβストランド」という記述と一致しています。

挿入部位は WD40 のベルクロ閉鎖位置にあります。このパートナーは Seh1 の N 末端鎖（残基 1–29）と C 末端鎖（約 331–384）に接触し、WD40 プロペラーが最終ブレードを閉じる端部に相当します。

これらのモデルは C1GY11 と C1HCX1 の相互作用を予測していますが、これが真の生物学的結合であることはまだ実験的に検証されていません。この場合、2 つの独立したモデルが同じ局所的な幾何構造に収束し、結合の証明ではなく説得力のある仮説を生み出しました。このワークフローの真の価値は、これらの構造仮説を再現可能かつ根拠に基づいた方法で構築・検証できる点にあります。最終的な判断は実験的検証に委ねられます。

始め方

BioNeMo Agent Toolkit を利用すると、Claude Science エージェントが多重アラインメント（MSA）の生成や NIM ベースの構造予測を実行し、レビュー用のアーティファクトを保存できるようになります。GitHub でツールキットを確認し、このワークフローを他のモノマーや複合体にも適用してください。