GLI SCIENTISTI DI AI SONO UN NUOVO INTERFAZIO PER LA COMPUTAZIONE SCIENTIFICA
Agentic AI sta rivoluzionando la scienza: gli agenti leggono articoli, generano ipotesi e chiamano API, ma la scienza non è ingegneria software. Il cammino della scoperta scientifica è iterativo, incerto e radicato nella realtà fisica. È in questo spazio che NVIDIA si concentra con il BioNeMo Agent Toolkit, un insieme di strumenti per trasformare modelli AI in competenze utili per la scoperta farmacologica.
CHE COS'È IL BIONEMO AGENT TOOLKIT
Il BioNeMo Agent Toolkit è una libreria open-source di “competenze”, che trasformano modelli NVIDIA in strumenti utilizzabili dagli agenti AI. I set di strumenti coprono piegatura proteica, docking molecolare, chimica generativa, genomica e progettazione proteica.
I modelli BioNeMo utilizzano un livello accelerato di API come NIM (NVIDIA Inference Microservices) supportate da librerie di alte prestazioni come cuEquivariance per modelli strutturali e Parabricks per la genomica. Le skill sono organizzate in tre gruppi:
- Skills NIM: modelli accessibili attraverso endpoint NIM;
- Open-models: modelli non ancora in formato NIM;
- Library Skills: librerie estese per uso modulare.
Il repository include anche workflow per processi multi-step, come "generativeproteinbinder_design", che collega RFdiffusion, ProteinMPNN, e OpenFold3 per un processo end-to-end.
COME FUNZIONA UNA BIOMENO SKILL
Ogni skill è memorizzata in una directory con un file SKILL.md contenente informazioni sul modello, gli input richiesti, parametri opzionali, artefatti attesi e modi comuni di fallimento.
Un agente legge questo file come documentazione e agisce in base ad esso seguendo queste fasi:
- Scopre una skill;
- Seleziona e richiama il modello;
- Invia dati e riceve risposte;
- Analizza i risultati con una spiegazione e notifiche di limitazioni.
Un esempio di utilizzo di OpenFold3 con BioNeMo:
Utilizzo di OpenFold3
Il formato richiesto rimane coerente per tutti i modelli utilizzati. Per OpenFold3, ma anche per altri NIM biologici come Boltz-2, DiffDock, GenMol, ProteinMPNN, MSA Search, RFdiffusion, Evo 2, ecc.:
Endpoint NIM ospitato
Usa la skill BioNeMo OpenFold3 per piegare MKTVRQERLKSIVR
con l'endpoint API NVIDIA su https://build.nvidia.com/openfold3
Deployment NIM locale
Usa la skill BioNeMo OpenFold3 per piegare MKTVRQERLKSIVR
con l'endpoint NIM locale su http://localhost:8000
Le skill possono essere installate tramite il CLI:
Esplora e seleziona una skill interattivamente
npx skills add NVIDIA-BioNeMo/bionemo-agent-toolkit
Oppure installa una skill specifica per uno specifico agente
npx skills add NVIDIA-BioNeMo/bionemo-agent-toolkit --skill boltz2-nim --agent claude-code
DEPLOYMENT: HOSTED VS LOCALE
La scelta di deployment non ha una priorità predefinita. Utilizzare gli endpoint NIM ospitati per accesso rapido senza gestire infrastruttura. Quando serve bassa latenza o iterazioni ripetute, spostare i modelli su un deployment NIM locale, rispettando esigenze di sicurezza e vicinanza dati.
RISULTATI OTTENUTI: UN AUMENTO DEL COMPLETAMENTO DEGLI OGGETTI DI LAVORO
NVIDIA ha condotto una valutazione empirica di come le skill aumentino l'efficacia degli agenti AI. Tutte le metriche sono state misurate con il Codex CLI utilizzando GPT-5.5 per confrontare agenti con e senza skill:
- Completamento delle attività: da 57.1% a 100% con le skill implementate;
- Efficienza: gli agenti con skill producono 2 volte più asserti passanti (passing assertions) per 1000 token.
Gli agenti con BioNeMo possono gestire meglio l'errore, con failure modes chiaramente documentati e una capacità di scegliere tra strumenti appropriati.
USI CONCRETI CON ESEMPI
Piegatura della struttura proteica
Un agente piega una sequenza peptidica utilizzando Boltz-2 o OpenFold3, producendo un file CIF per successive analisi.
Allineamento di sequenze multiple (MSA)
Un agente genera un MSA con MMseqs2 tramite la skill MSA Search, producendo un file A3M.
Chemica generativa
Un agente genera molecole candidate con GenMol, fornendo output come SDF o SMILES per selezione e filtraggio.
Concepimento di un legame proteico
Il workflow generativeproteinbinder_design collega tre modelli: RFdiffusion per la costruzione del backbone, ProteinMPNN per il disegno della sequenza e OpenFold3 per la convalida.
CONFRONTO: AGENTE CON E SENZA SKILL
| Dimensione | Agente generale (senza skill) | Agente + BioNeMo Skills |
|---|---|---|
| Completamento task | 57,1% in media | 100% in media |
| Token efficiency | Baseline | Due volte più asserti passanti per 1k token |
| Selezione modelli | Guessing strumento, formato, input | Lettura di scopo, input, e artefatti |
| Deployment | Configurazione manuale da fonte | NIM ospitato o locale, documentato |
| Gestione fallimenti | Modi fallimento sconosciuti | Modelli fallimento documentati per skill |
| Workflows | Chiamate isolate | Meta-skill multistep (design di legami) |
COME INIZIARE
Per iniziare,