Ir para o conteúdo principal
Setores

Implante o RFD4-Proteina no Databricks

Traga o RFD4-Proteina, codesenvolvido pelo University of Washington Institute for Protein Design e pela NVIDIA, com dados de pesquisa, desenvolvimento auxiliado por IA e computação GPU serverless no Databricks.

por Srijit Chandrashekhar Nair, Mark Lee, Mayank Tahilramani (NVIDIA), Joel Caruso (NVIDIA) e Ian Kerman (NVIDIA)

  • Comece com o Genesis Workbench, o blueprint aberto e modular de ciências da vida que fundamenta a integração do RFD4-Proteina no Databricks.
  • Use o Genie Code e habilidades de agente específicas do domínio para desenvolver e estender fluxos de trabalho, desde a preparação de entradas do modelo até a análise de candidatos gerados.
  • Execute cargas de trabalho intensivas em GPU com o AI Runtime enquanto conecta dados de pesquisa, rastreamento de experimentos e governança em uma única plataforma.

Leve o RFD4-Proteina para seus dados de pesquisa com desenvolvimento auxiliado por IA e computação GPU NVIDIA serverless.

  • Comece a usar com suporte a modelos desde o primeiro dia através do Genesis Workbench, um modelo de exemplo aberto para fluxos de trabalho de ciências da vida.
  • Crie e adapte pipelines com o Genie Code, habilidades do NVIDIA BioNeMo Agent Toolkit e assistência de agentes de codificação.
  • Use o AI Runtime do Databricks em disponibilidade geral para executar cargas de trabalho de GPU suportadas juntamente com dados corporativos, rastreamento de experimentos e governança.

O RFD4-Proteina, um modelo aberto do NVIDIA BioNeMo co-desenvolvido com o Institute for Protein Design da Universidade de Washington, ajuda cientistas a transformar ideias de proteínas úteis em designs que podem testar. A NVIDIA e a Databricks estão trazendo o modelo para o Genesis Workbench no AI Runtime, oferecendo aos desenvolvedores um caminho para conectar fluxos de trabalho de design de proteínas aos seus dados de pesquisa.

O Databricks AI Runtime (AIR) fornece computação GPU NVIDIA serverless para cargas de trabalho suportadas. A integração planejada conecta a execução do modelo a dados de pesquisa e fluxos de trabalho repetíveis no Databricks, reduzindo a sobrecarga de infraestrutura necessária para avaliar e adaptar um novo modelo.

Colocar um modelo para funcionar exige mais do que apenas baixar pesos. Os desenvolvedores precisam preparar entradas, conectar ferramentas científicas, configurar a execução e rastrear resultados, tudo isso protegendo dados proprietários. O Databricks reúne essas etapas em um ambiente compartilhado, reduzindo a necessidade de montar e manter uma pilha de pesquisa separada.

"A descoberta de medicamentos é um problema de dados antes de ser um problema de computação. A NVIDIA e o Institute for Protein Design estão expandindo os limites do que é possível com modelos como o RFD4-Proteina e, juntos, estamos garantindo que as equipes de ciências da vida possam executar esses modelos em seus próprios dados governados, conectados a seus próprios experimentos, sem enviar IP confidencial para fora de suas organizações. Você é o proprietário da ciência. E a plataforma Databricks garante que tudo rode em um único ambiente seguro e governado."- Mike Sanky, vice-presidente de Saúde e Ciências da Vida da Databricks
"A parte difícil do design de proteínas não é gerar candidatos. É escolher os poucos que valem a pena produzir no laboratório. O RFD4-Proteina projeta a sequência de uma proteína e sua estrutura atômica completa juntas, e pode ser direcionado para as propriedades que um projeto necessita, como estabilidade ou força de ligação. Executá-lo no Databricks, ao lado dos dados experimentais da própria equipe, ajuda os cientistas a escolherem esses candidatos com base no que seus próprios experimentos já demonstraram.- Anthony Costa, diretor de Biologia Digital da NVIDIA

Traga modelos para seus dados

O RFD4-Proteina se baseia na abordagem usada no Proteina-Complexa, modelo generativo da NVIDIA para projetar ligantes de proteínas que gera simultaneamente sequências de aminoácidos e estruturas de todos os átomos em uma única etapa. O RFD4-Proteina estende essa abordagem de geração conjunta com busca opcional guiada por recompensa, permitindo que os pesquisadores direcionem o design de candidatos para propriedades como termoestabilidade ou afinidade de ligação.  A integração planejada expande os padrões de fluxo de trabalho do Proteina-Complexa já existentes no Genesis Workbench, utilizando modelos de pontuação com funções de recompensa específicas para o problema em questão. O Genesis Workbench possui dois fluxos de trabalho integrados que usam o RFD4-Proteina para sua referência: Design de Anticorpos e Design de Vacinas.

rfd4-proteina-databricks

Na imagem: Design de Anticorpos no Genesis Workbench com NVIDIA RFD4-Proteina

O Genesis Workbench oferece uma maneira fácil de começar: seu modelo aberto e modular ilustra como conectar modelos biológicos à preparação de entradas, avaliação de candidatos e análise downstream no Databricks. Os desenvolvedores podem reutilizar componentes individuais ou adaptar a implementação aos seus próprios métodos científicos. 

As equipes podem armazenar pesos de modelos em volumes do Unity Catalog como modelos governados do MLflow e reutilizá-los em todos os experimentos. As equipes podem registrar modelos ajustados no Unity Catalog por meio do MLflow, conectando versões de modelos com configurações e artefatos. Os controles de acesso e a configuração de rede devem refletir onde o modelo, as ferramentas de pontuação e os agentes de codificação são executados.

Usar o RFD4-Proteina por meio do Genesis Workbench oferece aos usuários do Databricks a capacidade mais ampla de conectar pesquisas em várias disciplinas: análises genômicas podem informar um alvo, dados de célula única podem fornecer contexto biológico, e fluxos de trabalho de design de proteínas ou de pequenas moléculas podem apoiar investigações subsequentes. O Genesis Workbench fornece exemplos dessas capacidades em um ambiente compartilhado. 

Crie com habilidades de agentes científicos

O Databricks Genie Code ajuda os desenvolvedores a criar, depurar e adaptar fluxos de trabalho de dados e ML usando linguagem natural. As habilidades do NVIDIA BioNeMo Agent Toolkit adicionam instruções especializadas, scripts e referências para modelos biológicos e ferramentas científicas, incluindo predição de estrutura, design de proteínas, acoplamento molecular e análise genômica. 

Essas habilidades podem ajudar um agente de codificação a preparar entradas, invocar ferramentas suportadas, inspecionar saídas e montar fluxos de trabalho em várias etapas. Os desenvolvedores podem combinar essa orientação com suas próprias convenções de dados, critérios de avaliação e requisitos de rastreamento de experimentos.

O Genesis Workbench também fornece habilidades para agentes de codificação baseados em Claude, oferecendo outro ponto de entrada: ajudar os desenvolvedores a entender o modelo, criar estruturas de integração para novos modelos como o RFD4-Proteina e adaptar essas integrações a um caso de uso específico. Isso pode acelerar a primeira implementação; verificações de dependência, testes e revisão científica continuam fazendo parte do processo.

Um pesquisador de ciências da vida poderia aproveitar fluxos de trabalho pré-criados do RFD4-Proteina diretamente do Genesis Workbench ou usar o Genie Code para criar um Databricks Notebook para um experimento pontual com um prompt simples em inglês como:

“Projete um nanocorpo (VHH) contra PD-L1 usando o condicionamento de framework do RFD4-Proteina: mantenha um framework humanizado real (h-NbBCII10) fixo e projete apenas os loops CDR no epítopo de bloqueio do PD-1. Execute 8 iterações × 8 amostras com ProteinMPNN nos CDRs e co-dobramento Boltz para ligação; pondere a recompensa para ligação (ipTM), confiança de dobras (pLDDT), desenvolvibilidade (solubilidade, termoestabilidade) e baixo risco de anticorpos anti-droga (MHC-II). Retorne os melhores designs com a trajetória de recompensa e os PDBs de complexos top-K."

O Genie Code auxilia na implementação, enquanto desenvolvedores e pesquisadores mantêm o controle revisando o código, selecionando as ferramentas adequadas e interpretando os resultados.

Execute em GPUs NVIDIA gerenciadas

O AIR simplifica o acesso à aceleração da NVIDIA sem exigir que as equipes provisionem e mantenham clusters de GPU separados. Os desenvolvedores podem conectar um notebook à computação GPU serverless, selecionar um acelerador NVIDIA H100 e um ambiente suportado, e executar sua carga de trabalho. A configuração documentada inclui selecionar o acelerador e o ambiente base antes de aplicar a configuração. 

Isso reduz o trabalho de configurar a infraestrutura de GPU e manter um ambiente de software base, embora as equipes ainda precisem validar bibliotecas e dependências específicas do modelo.

Para modelos fundamentais biológicos suportados, as equipes também podem adaptar o BioNeMo Recipes para treinar ou fazer ajuste fino em dados proprietários usando GPUs serverless do AIR. O BioNeMo Recipes oferece implementações de referência para treinamento acelerado com frameworks conhecidos, como PyTorch e Hugging Face. 

A orquestração do Lakeflow, o rastreamento de experimentos do MLflow e a governança do Unity Catalog conectam a execução a fluxos de trabalho repetíveis e controles corporativos. Os cientistas podem se concentrar mais na biologia, enquanto desenvolvedores e equipes de plataforma gastam menos tempo gerenciando a infraestrutura. 

Da experimentação à implantação

Um exemplo prático do ciclo de vida de um modelo no Databricks pode incluir:

  1. Armazenar pesos de modelos em um volume governado do Unity Catalog para reutilização.
  2. Gerar moléculas candidatas no AIR ou treinar e fazer o ajuste fino onde o modelo e a receita permitirem.
  3. Rastreie parâmetros, métricas e artefatos com o MLflow e registre modelos implantáveis no Unity Catalog.
  4. Implante modelos compatíveis em endpoints do GPU Model Serving ou orquestre a execução em lote quando isso se adequar melhor à carga de trabalho.
  5. Conecte saídas a fluxos de trabalho de pesquisa por meio de exemplos do Genesis Workbench ou dos seus próprios pipelines.

Para endpoints de modelos personalizados compatíveis, o recurso scale-to-zero pode reduzir a capacidade provisionada durante a inatividade. Cold starts adicionam latência e a capacidade de GPU não é garantida quando um endpoint é escalado novamente. A Databricks recomenda desativar o scale-to-zero para cargas de trabalho que exigem disponibilidade ou tempos de resposta consistentes.

As equipes podem escolher o padrão de execução que melhor se adapta à tarefa de pesquisa, equilibrando requisitos de tempo de execução, custo e disponibilidade.

Ao longo do fluxo de trabalho, as equipes podem reter a configuração, a versão do modelo, os resultados da avaliação e os artefatos necessários para comparar experimentos. A avaliação computacional auxilia na priorização de candidatos; a validação laboratorial continua sendo essencial.

Primeiros passos

Explore o repositório do Genesis Workbench e comece com um alvo, um objetivo de design definido e um pequeno experimento. Use a implementação de exemplo e as habilidades de agente disponíveis para adaptar o fluxo de trabalho, depois execute e rastreie no AIR antes de expandir.

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original

Tags relacionadas:

Genie, Unity Catalog, Genie Code, Serverless e MLOps & LLMOps

Receba os posts mais recentes na sua caixa de entrada

Assine nosso blog e receba os posts mais recentes diretamente na sua caixa de entrada.