NVIDIA détaille RFD4- Flux de travail de recherche de conception de protéines protéiniques

Mercredi, NVIDIA a présenté RFD4-Proteina, un modèle ouvert de conception protéique qui co-conçoit des séquences et des structures entièrement atomiques, et ajoute une recherche guidée par inférence et temps pour cibler le calcul sur des candidats ayant des scores plus élevés. L’entreprise a indiqué que le système est destiné à aider les chercheurs à générer des conceptions de liants et d’autres candidats moléculaires de manière plus efficace que la recherche exhaustive, tout en maintenant la boucle d’évaluation liée aux tests expérimentaux.

Ce que NVIDIA dit que le modèle fait

Dans le blog développeur publié le 21 octobre 2026, NVIDIA a indiqué que RFD4-Proteina est co-développée avec l’Institute for Protein Design de la faculté de médecine de l’Université de Washington et s’appuie sur Proteina-Complexa. Le modèle combine des coordonnées explicites de la colonne vertébrale avec des représentations latentes et produit ensemble la séquence et la structure atomique, ce que NVIDIA affirme supprimer un transfert séparé de repliement inverse vers un modèle tel que ProteinMPNN.

Le blog décrit le modèle comme utilisant la recherche guidée par récompense lors de l’inférence pour réduire le bruit des trajectoires des candidats, les scorer, conserver des états partiels prometteurs et les ramifier jusqu’à ce que les critères de génération soient remplis. NVIDIA a indiqué que la récompense peut être basée sur la géométrie, les interactions ou la confiance dans la prédiction indépendante, selon l’objectif choisi par l’utilisateur.

Gains de vitesse et de mémoire rapportés

NVIDIA a indiqué que RFD4-Proteina est plus rapide et utilise moins de mémoire que RFD3 car il fonctionne sur une représentation latente au niveau résidu plutôt qu’au niveau atomique, et parce que le procédé de diffusion a été conçu pour réduire l’échantillonnage d’environ 400 étapes dans Proteina-Complexa à 60. Dans un benchmark 200-résidus rapporté, NVIDIA a indiqué que le système offrait une génération 3.8 fois plus rapide et utilisait moins de mémoire réservée 84% pic que RFD3. Ces chiffres sont des résultats de benchmarks rapportés par les développeurs et non des garanties universelles de performance.

La société a également indiqué que le backend BioIR accélère RFD4-Proteina de 1.37 à 1.73 fois par rapport au backend compilé par défaut sur six configurations GPU Hopper. Sur un système PCIe H100, NVIDIA a indiqué que le temps total de suite est passé de 161 secondes à 111 secondes, ce qu’elle a décrit comme une réduction d’environ 31% du temps d’exécution, en utilisant 1 de taille de lot sur 15 longueurs de séquence de 128 à 1,024 tokens.

Comment le flux de travail est présenté

Le blog donne un exemple de classeur-L1 dans lequel les utilisateurs définissent ce qui peut changer, ce qui doit rester fixe et quels critères de réussite doivent être utilisés. NVIDIA a indiqué que le modèle ouvert et le microservice NIM acceptent tous deux les fichiers CIF annotés ou les spécifications de condition, et il a montré un flux de travail qui corrige la cible-L1 tout en permettant à un nouveau 100- de générer un liant résiduaire à 150 autour des atomes hotspot sur Tyr56, Met115 et Tyr123.

Pour la génération basée sur la recherche, NVIDIA a indiqué que le modèle ouvert peut être associé à des oracles externes tels que OpenFold3, tandis que le service NIM peut également exécuter une recherche guidée par récompense via une interface HTTP. Dans l’exemple, l’entreprise a indiqué que le score de temps de recherche utilisait OpenFold3 pLDDT comme mesure de confiance pour le complexe conçu. NVIDIA a explicitement noté que cela mesure la confiance de la prédiction, et non les preuves contraignantes, et que les métriques d’interface et de repliage devaient être inspectées séparément.

Validation et limites

Le matériel de base fourni avec le communiqué indique que le projet plus large RFD4-Proteina bénéficie d’une validation en laboratoire humide pour plusieurs tâches de conception, notamment les liants sélectifs, le contrôle des glycanes et les enzymes catalytiques, mais ces résultats concernent des plans expérimentaux plutôt que des efficacités cliniques établies. Le même document précise que le préprint associé est toujours listé comme à venir, donc les affirmations de lancement, les benchmarks des développeurs et les expériences rapportées par le projet devraient être traités séparément de la validation évaluée par les pairs.

La publication ne fournit aucun catalyseur suivant avec une date vérifiée au-delà du 21 octobre 2026 publication du blog NVIDIA et de l’annonce UW Medicine le même jour mentionnée dans le matériel de fond. Aucun résultat de production, aucune donnée de marché ou terme commercial public n’a été fourni dans le matériel source.