NVIDIA与Anthropic集成BioNeMo Agent Toolkit，在Claude Science中实现蛋白质结构预测
该工作流将MSA搜索、OpenFold3和Boltz-2容器化微服务接入Claude Science，使代理能够针对单体与复合物运行结构预测；两个模型在有MSA输入时接口置信度显著提高。
AI解读：这条新闻的关键在于：NVIDIA把自家的生物计算模型封装成AI代理能直接调用的技能，并与Anthropic的Claude Science打通。过去科学家要手动处理蛋白质结构预测中的多序列比对（MSA）、运行折叠模型、比对结果，每一步都可能因环境或API差异而卡住。现在代理能自动完成这些步骤，但真正重要的不是省事，而是结果可靠——测试案例中，没有MSA输入的复合物接口预测置信度（iPTM）在OpenFold3上从 0.85 跌到 0.14，Boltz-2上从 0.82 跌到 0.19，说明进化信息是模型预测蛋白质相互作用的基石。对结构生物学家而言，这意味着可以更快生成可验证的假设，但必须记住：这些是预测，不是实验证据；且部署需要至少约 700 GB存储空间和NVIDIA L40S或H100 GPU。当前只有少量工具被封装，适用范围有限，但若更多领域技能被加入，这类代理工作流可能成为实验室的标准分析工具。
NVIDIA与Anthropic合作，将NVIDIA BioNeMo Agent Toolkit集成到Anthropic的AI科学工作台Claude Science中，使AI代理能够发现、启动并调用BioNeMo NIM微服务，直接进行蛋白质结构预测。该教程由NVIDIA技术博客发布，作者Michelle Horton，发布日期未注明。
工作流与测试案例
本教程以Seh1蛋白（C1GY11）与其预测伙伴C1HCX1（来自Paracoccidioides lutzii真菌）为测试案例，该案例受Han、Tsenkov、Venanzi等人论文（bioRxiv, DOI: 10.64898/2026.03.27.714458）中Figure 4e启发。Seh1和Mio家族蛋白参与保守的营养感知机制。工作流包含三个阶段：使用MSA Search NIM为单链和物种配对序列生成多序列比对（MSA）；使用OpenFold3 NIM预测单链和双链复合物；再用Boltz-2 NIM重复预测，并对每个模型独立评估。
教程中强调，MSA是关键输入。测试中，异源二聚体的接口预测置信度（iPTM）在使用MSA时OpenFold3为 0.85，Boltz-2为 0.82；不使用MSA时分别跌至 0.14 和 0.19，下降幅度为 0.72 和 0.63。五个样本紧密聚集（标准差 ≤ 0.006），表明差异一致。增加采样量（OpenFold3 diffusion_samples=5；Boltz-2五个样本、六次循环、200 步采样）不能替代进化信息的输入。此外，两种模型在给定比对时iPTM相差在 0.03 以内，显示了跨模型一致性。
- OpenFold3对单体的预测也需要MSA：不含MSA时pLDDT从 82 降至 36；Boltz-2从序列单独折叠单体表现尚可（0.79 降至 0.73），但无法定位接口。
模型预测结果与验证
结构分析中，将Seh1从单体和复合物预测中叠加，核心Cα-RMSD在OpenFold3为 0.68 Å（313/384 残基），Boltz-2为 0.65 Å（307/384），显示伙伴蛋白并未重塑Seh1的WD40 β-螺旋桨结构，而是补全了其开口边缘。两个模型独立地将C1HCX1的 β-链簇（约残基 305-391）定位到Seh1的N端链（残基 1-29）和C端链（约残基 331-384），即WD40螺旋桨闭合的“魔术贴”位置，与论文中“三条 β 链”的观察一致。
教程明确警告，这些是预测结构，尽管两个独立模型收敛于同一局部几何形状，但C1GY11与C1HCX1的相互作用尚未经实验验证，不能视为真实生物学关联。该工作流的价值在于提供可复现、有证据支撑的假设生成方法。
- 置信度指标应理解为模型内部的自信心：例如OpenFold3的复合置信度分数对单体重接口的权重较大，导致折叠良好的单体（pTM 0.82）在复合分数上仍可能得分偏低，仅在模型内比较，而不是跨模型比较。
部署要求与入门
教程部署需要一台带有NVIDIA L40S GPU或NVIDIA H100 GPU的工作站或云机器，并安装Claude Science。存储需求约为 700 GB：MSA Search NIM使用的UniRef30数据库约 490 GB（选择仅UniRef30配置文件，而非完整的 1.4 TB数据），Boltz-2和OpenFold3容器合计 30–40 GB。
在Claude Science中，用户选择“Customize > Compute > NVIDIA BioNeMo NIM > Connect”，从GitHub导入BioNeMo Agent Toolkit技能，添加NVIDIA API密钥，并连接本地端到端（使用主机GPU的Docker容器）。然后，代理根据提示下载并启动MSA Search、OpenFold3和Boltz-2的本地NIM容器，并对每个进行冒烟测试。
BioNeMo Agent Toolkit可在GitHub上获取，官方称其构建用于任何代理框架，内部基准显示BioNeMo技能将任务正确率从 60% 提高到 100%，并将token效率大致翻倍（该说法来自NVIDIA，属公司声明）。
- 教程提供两个具体提示（prompt）示例，用于指导代理：一个用于创建MSA并保存元数据，另一个用于运行结构预测并保存所有置信度分数。