NVIDIA BioNeMo Agent Toolkit : accélérer la prédiction de structure des protéines

NVIDIA a présenté BioNeMo Agent Toolkit, un outil spécialisé pour piloter des agents IA qui exécutent toute la chaîne de prédiction de structure des protéines et de co-folding (repliement conjoint de molécules). Le toolkit optimise chaque étape, de la génération des MSA (Multiple Sequence Alignment) à l'inférence des modèles et à la mise à l'échelle sur plusieurs GPU, un point critique pour le drug discovery moderne et la conception de protéines.

Qu'est-ce que BioNeMo Agent Toolkit et à quoi sert-il ?

Il s'agit de la boîte à outils de NVIDIA pour déployer des agents IA qui pilotent des pipelines de modélisation moléculaire très gourmands en calcul. Son objectif principal : accélérer les modèles de prédiction structurale comme OpenFold3 et ses dérivés, aujourd'hui utilisés à l'échelle industrielle pour chercher de nouvelles molécules médicamenteuses.

Selon NVIDIA, la prédiction de structure des protéines et le co-folding sont passés de tâches de calcul spécialisées à principal moteur du drug discovery et de la recherche biotechnologique. Mais chaque étape de la chaîne demande sa propre optimisation : du calcul parallèle des alignements de séquences (MSA) à l'inférence rapide du réseau de neurones et à une mise à l'échelle efficace sur des clusters de GPU.

Architecture de la chaîne : les étapes optimisées par le toolkit

BioNeMo Agent Toolkit intègre des optimisations pour l'ensemble du cycle :

• Multiple Sequence Alignment (MSA) : préparation rapide des données d'entrée du modèle à partir de l'analyse de séquences homologues
• Co-folding inference : inférence accélérée des modèles de prédiction structurale sur GPU (NVIDIA CUDA)
• Model serving : service des résultats à faible latence pour des consommateurs en temps réel
• Multi-GPU scale-out : répartition automatisée du calcul sur des clusters d'accélérateurs

Chaque composant est optimisé pour les GPU NVIDIA, ce qui permet aux agents IA de piloter le processus sans goulots d'étranglement ni délais de calcul.

Comment cela accélère le drug discovery

Les laboratoires pharmaceutiques et de recherche utilisent des modèles comme OpenFold3 pour prédire la structure tridimensionnelle des protéines à partir de leur séquence d'acides aminés. C'est une étape de base pour trouver de nouvelles cibles thérapeutiques et comprendre le mécanisme d'interaction des molécules. Mais si chaque étape de la chaîne tourne à une vitesse différente, le système final devient un goulot d'étranglement et ralentit la recherche.

Le toolkit permet aux agents IA de piloter tout le processus de façon autonome : lancer le MSA, transmettre les résultats à l'inférence, répartir l'inférence sur plusieurs GPU et renvoyer les prédictions structurales finalisées, le tout sans intervention manuelle. C'est critique pour le criblage de millions de candidats médicaments.

Pourquoi c'est d'actualité

Après la sortie d'AlphaFold2 et d'OpenFold en open source, la prédiction de structure des protéines est passée d'un exploit unique à un outil de routine. Les entreprises doivent lancer des centaines, voire des milliers de prédictions par jour. Piloter le calcul de manière centralisée par des agents IA répond de façon pratique à l'échelle de la biotechnologie actuelle.

Ce que cela signifie

BioNeMo Agent Toolkit fait passer la modélisation moléculaire d'un processus de recherche à une chaîne de production automatisée. Les agents IA peuvent piloter entièrement seuls la recherche de nouvelles protéines et de leurs interactions, ce qui accélère le développement de médicaments. C'est particulièrement important pour les petites sociétés de biotechnologie et les startups, qui ne pouvaient auparavant pas s'offrir leurs propres clusters de GPU ni la gestion complexe d'une infrastructure de calcul.