{{opener}} проектирует белки с помощью RFD4-Proteina, модели, разработанной NVIDIA BioNeMo в сотрудничестве с Институтом проектирования белков при Школе медицины Вашингтонского университета. Проектирование белков представляет собой задачу поиска, где выбор аминокислот для последовательности белка из восьми остатков дает более 25 миллиардов комбинаций. Для 100-остаточной последовательности количество вариантов превышает количество атомов во Вселенной. В этом пространстве находится белок, который может открыть путь к новой терапии. Поскольку комбинаций слишком много для исчерпывающего поиска, необходимо знать, где искать. RFD4-Proteina использует паттерны, изученные в природе, для навигации в этом пространстве, совместно проектируя последовательности белков и структуры с полными атомами. Модель применяет поиск, ориентированный на вознаграждение, чтобы сосредоточить вычисления на наиболее многообещающих кандидатах. В данном руководстве показано, как вычислительные биологи, инженеры машинного обучения и исследователи в области открытия лекарств могут проектировать кандидатов на связывание белков против PD-L1, онкологической мишени, используя поиск, ориентированный на вознаграждение, и представлены результаты экспериментальной валидации по различным задачам проектирования. Доступ к RFD4-Proteina можно получить двумя способами: выбрать открытую модель для обучения, вывода, разработки методов и прямого контроля над кодом выборки или выбрать микросервис NIM для быстрого развертывания вывода с HTTP-интерфейсом. Основываясь на частично латентном подходе Proteina-Complexa, RFD4-Proteina сочетает явные координаты спинального каркаса с латентным представлением, изученными последовательностями и атомными переменными. Его декодер автоэнкодера производит последовательность и структуру с полными атомами одновременно, устраняя отдельный переход к модели, такой как ProteinMPNN. Модель требует наличия поддерживаемого хоста Linux с GPU и Python 3.12. Настройка репозитория автоматически загружает пакет Hugging Face. Для самохостинга NIM требуется Linux x86_64 или arm64, соответствующий требованиям NIM, Docker, драйвер NVIDIA, NVIDIA Container Toolkit и ключ API NGC. Конечная точка API NIM (не рекомендуется для производственных запусков) позволяет получить доступ через NVIDIA build.nvidia.com с помощью Shell и Python-скриптов, без необходимости установки локального GPU или модели. RFD4-Proteina быстрее и использует меньше памяти, чем RFD3, по нескольким причинам: она работает на уровне остатков, а не на уровне атомов, что предотвращает увеличение памяти. Инженерия процесса диффузии сокращает количество выборок с примерно 400 шагов в Proteina-Complexa до 60, а вычисления сосредоточены на наиболее значимых частях процесса благодаря возможностям рассуждения в модели. Поиск во время вывода также быстрее, поскольку оракулы (OF3 и физические методы, такие как tmol) ускорены с помощью CUDA. Рабочий процесс демонстрирует, как использовать RFD4-Proteina для перехода от научной цели к кандидатам для экспериментального тестирования. Агент может координировать эти инструменты и отслеживать результаты, в то время как ученые определяют цели и используют экспериментальные доказательства для управления следующим этапом. Начните с определения критериев и требований для генерации. Например, RFD4-Proteina ожидает, что пользователи определят, что может измениться, что должно оставаться фиксированным, и критерии успеха как вычислительного, так и экспериментального. RFD4-Proteina поддерживает широкий спектр задач и является моделью, которая показывает лучшие результаты по качеству вывода и производительности. Используйте открытые модели для разработки методов и NIM для интеграции приложений с опциональным ускорением BioIR, чтобы объединить вычислительное исследование и экспериментальную обратную связь в итеративную кампанию проектирования. Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником.