英伟达开源BioNeMo及病毒蛋白数据集，加速AI药物研发

英伟达正式发布一套全面的蛋白质数据集及配套机器学习流水线BioNeMo，旨在突破药物发现和分子生物学研究中的数据瓶颈。该计划核心在于解决生命科学领域长期痛点：适合现代AI系统的高质量、带注释蛋白质数据稀缺。

新发布的病毒蛋白质数据集涵盖来自冠状病毒、流感毒株、HIV变种及多种噬菌体的数百万条蛋白质序列。每条序列均标注了结构预测、功能标签和进化关系，并链接至实验观察结果或AlphaFold高置信度预测。这种混合方法确保即使在数据匮乏的病毒家族中，研究人员也能启动模型训练。

BioNeMo框架基于英伟达AI基础设施构建，提供预训练模型及数据预处理、模型扩展和分布式训练工具。通过内置优化，团队可立即获取此前需数月整理才能得到的资源。流水线支持从1亿到150亿参数的模型配置，默认启用FP8和FP16混合精度训练，在保持收敛性的同时显著提升速度。

作为开源库，BioNeMo支持多种模型架构，包括基于Transformer的语言模型和整合三维结构的图神经网络。用户可在单块GPU上运行实验，或无缝扩展至整个集群，无需重写核心训练循环。这种灵活性适应了不同生物学问题的归纳偏置需求，如酶活性位点预测与抗体设计的差异。

为确保可重复性，框架将超参数、随机种子和数据集分割记录为与MLflow和Weights & Biases兼容的标准格式。这一审计追踪机制对受监管的治疗性抗体开发机构尤为重要。此外，流水线通过生成匹配氨基酸组成和进化特征的诱饵负样本，避免模型学习虚假相关性，并校准置信度分数以优化实验跟进优先级。

早期采用者已验证该资源的实际价值。一个研究小组利用预训练病毒编码器识别SARS-CoV-2及相关蝙蝠冠状病毒的保守表位，加速泛冠状病毒疫苗候选物设计；另一团队在HIV蛋白酶抑制剂筛选中，使虚拟筛选命中率较传统方法提高三倍。

BioNeMo还支持多模态训练，通过对齐蛋白质语言模型与化学结构编码器，将小分子配体及其目标结合口袋嵌入共享潜在空间。这为根据病毒蛋白表面生成新型化合物开辟了路径，并提供与RDKit和OpenMM集成的参考实现。

针对制药合作伙伴关注的数据隐私问题，BioNeMo提供联邦学习扩展。多个组织可在不交换原始序列的情况下，通过安全聚合服务器协同训练专有数据，这对样本量有限的罕见病研究具有决定性意义。

该资源大幅降低了研究门槛。拥有单块A100 GPU的研究人员即可尝试十亿参数模型，文档托管于GitHub并附带Jupyter笔记本，新用户可通过NGC容器注册中心一键启动预配置环境。高级用户可将模型导出为ONNX或TensorRT格式，便于在边缘设备或实验室信息系统中部署。

BioNeMo团队计划随公共存储库更新定期发布版本控制的病毒数据集，并探索与实验机器人平台的闭环集成。尽管当前发布标志着高质量生物分子机器学习的实用化一大步，但团队也承认蛋白质功能依赖上下文（如翻译后修饰）的局限性，未来版本将整合质谱谱图等异构信号。

凭借宽松许可证，英伟达邀请科学界在此基础上构建。无论是基础病毒进化研究还是紧急抗病毒药物开发，规模、注释深度和软件完善的结合，正为计算生物学中的开放资源设定新标准。