Desplegar RFD4-Proteina en Databricks

Lleve RFD4-Proteina a sus datos de investigación con desarrollo asistido por IA y cómputo serverless en GPU de NVIDIA.

• Comience con soporte para el modelo desde el primer día a través de Genesis Workbench, un blueprint de ejemplo abierto para flujos de trabajo de ciencias de la vida.
• Cree y adapte pipelines con Genie Code, habilidades de NVIDIA BioNeMo Agent Toolkit y la asistencia de agentes de código.
• Utilice AI Runtime con disponibilidad general de Databricks para ejecutar cargas de trabajo de GPU compatibles junto con datos empresariales, seguimiento de experimentos y gobernanza.

RFD4-Proteina, un modelo abierto de NVIDIA BioNeMo codesarrollado con el Instituto para el Diseño de Proteínas de la Universidad de Washington, ayuda a los científicos a convertir ideas de proteínas útiles en diseños que se puedan probar. NVIDIA y Databricks están incorporando el modelo a Genesis Workbench en AI Runtime, lo que ofrece a los desarrolladores una vía para conectar los flujos de trabajo de diseño de proteínas con sus datos de investigación.

Databricks AI Runtime (AIR) proporciona cómputo serverless en GPU de NVIDIA para cargas de trabajo compatibles. La integración planificada conecta la ejecución de modelos con datos de investigación y flujos de trabajo repetibles en Databricks, reduciendo la sobrecarga de infraestructura necesaria para evaluar y adaptar un nuevo modelo.

Poner en marcha un modelo requiere más que simplemente descargar los pesos. Los desarrolladores necesitan preparar entradas, conectar herramientas científicas, configurar la ejecución y realizar el seguimiento de los resultados, todo mientras protegen sus datos propietarios. Databricks reúne estos pasos en un entorno compartido, reduciendo la necesidad de ensamblar y mantener un stack de investigación independiente.

"El descubrimiento de fármacos es un problema de datos antes que un problema de cómputo. NVIDIA y el Instituto para el Diseño de Proteínas están impulsando la frontera de lo posible con modelos como RFD4-Proteina y, juntos, nos estamos asegurando de que los equipos de ciencias de la vida puedan ejecutar esos modelos en sus propios datos gobernados, conectados a sus propios experimentos, sin enviar IP confidencial fuera de sus organizaciones. La ciencia es suya. Y la plataforma de Databricks se asegura de que todo se ejecute en un único entorno seguro y gobernado."—Mike Sanky, vicepresidente de Salud y Ciencias de la Vida, Databricks

"La parte difícil del diseño de proteínas no es generar candidatos. Es elegir los pocos que vale la pena elaborar en el laboratorio. RFD4-Proteina diseña conjuntamente la secuencia de una proteína y su estructura atómica completa, y se puede orientar hacia las propiedades que requiere un proyecto, como la estabilidad o la fuerza de unión. Ejecutarlo en Databricks, junto a los datos experimentales propios del equipo, ayuda a los científicos a seleccionar esos candidatos basándose en lo que sus propios experimentos ya han demostrado."—Anthony Costa, director de Biología Digital, NVIDIA

Lleve los modelos a sus datos

RFD4-Proteina se basa en el enfoque utilizado en Proteina-Complexa, el modelo generativo de NVIDIA para el diseño de aglutinantes de proteínas que cogenera secuencias de aminoácidos y estructuras atómicas completas en una sola pasada. RFD4-Proteina amplía ese enfoque de generación conjunta con una búsqueda guiada por recompensas opcional, lo que permite a los investigadores orientar el diseño de candidatos hacia propiedades como la termoestabilidad o la afinidad de unión.  La integración planificada amplía los patrones de flujos de trabajo de Proteina-Complexa existentes en Genesis Workbench, utilizando modelos de puntuación con funciones de recompensa específicas para el problema en cuestión. Genesis Workbench cuenta con dos flujos de trabajo integrados que utilizan RFD4-Proteina como referencia: Diseño de anticuerpos y Diseño de vacunas.

En la imagen: Diseño de anticuerpos en Genesis Workbench con NVIDIA RFD4-Proteina

Genesis Workbench ofrece una forma sencilla de comenzar: su blueprint abierto y modular ilustra cómo conectar modelos biológicos con la preparación de entradas, la evaluación de candidatos y el análisis descendente en Databricks. Los desarrolladores pueden reutilizar componentes individuales o adaptar la implementación a sus propios métodos científicos. 

Los equipos pueden almacenar los pesos del modelo en volúmenes de Unity Catalog como modelos de MLflow gobernados y reutilizarlos en distintos experimentos. Los equipos pueden registrar modelos ajustados en Unity Catalog a través de MLflow, conectando las versiones del modelo con configuraciones y artefactos. Los controles de acceso y la configuración de red deben reflejar dónde se ejecutan el modelo, las herramientas de puntuación y los agentes de código.

Utilizar RFD4-Proteina a través de Genesis Workbench otorga a los usuarios de Databricks la capacidad más amplia de conectar la investigación entre diferentes disciplinas: el análisis genómico puede orientar una diana, los datos de célula única pueden proporcionar contexto biológico y los flujos de trabajo de diseño de proteínas o pequeñas moléculas pueden respaldar la investigación posterior. Genesis Workbench ofrece ejemplos de estas capacidades dentro de un entorno compartido. 

Desarrolle con habilidades de agentes científicos

Databricks Genie Code ayuda a los desarrolladores a crear, depurar y adaptar flujos de trabajo de datos y ML mediante lenguaje natural. Las habilidades de NVIDIA BioNeMo Agent Toolkit añaden instrucciones especializadas, scripts y referencias para modelos biológicos y herramientas científicas, incluyendo predicción de estructuras, diseño de proteínas, acoplamiento molecular y análisis genómico. 

Estas habilidades pueden ayudar a un agente de código a preparar entradas, invocar herramientas compatibles, inspeccionar salidas y ensamblar flujos de trabajo multietapa. Los desarrolladores pueden combinar esa guía con sus propias convenciones de datos, criterios de evaluación y requisitos de seguimiento de experimentos.

Genesis Workbench también proporciona habilidades para agentes de código basados en Claude, ofreciendo otro punto de entrada: ayudar a los desarrolladores a comprender el blueprint, estructurar integraciones para nuevos modelos como RFD4-Proteina y adaptar esas integraciones a un caso de uso específico. Esto puede acelerar la primera implementación; las comprobaciones de dependencias, las pruebas y la revisión científica siguen formando parte del proceso.

Un investigador en ciencias de la vida podría aprovechar los flujos de trabajo preconstruidos de RFD4-Proteina directamente desde Genesis Workbench o utilizar Genie Code para crear un Databricks Notebook para un experimento ad hoc con una sencilla instrucción en inglés como:

“Diseña un nanocuerpo (VHH) contra PD-L1 mediante acondicionamiento de estructura RFD4-Proteina: mantén fija una estructura humanizada real (h-NbBCII10) y diseña solo los bucles CDR sobre el epítopo de bloqueo de PD-1. Ejecuta 8 iteraciones × 8 muestras con ProteinMPNN en las CDR y el co-plegamiento de Boltz para la unión; pondera la recompensa hacia la unión (ipTM), la confianza de plegamiento (pLDDT), la capacidad de desarrollo (solubilidad, termoestabilidad) y un bajo riesgo de anticuerpos antidroga (MHC-II). Devuelve los diseños principales con la trayectoria de recompensa y los PDB complejos top-K."

Genie Code asiste en la implementación, mientras que los desarrolladores e investigadores mantienen el control revisando el código, seleccionando las herramientas adecuadas e interpretando los resultados.

Ejecute en GPU gestionadas de NVIDIA

AIR simplifica el acceso a la aceleración de NVIDIA sin necesidad de que los equipos aprovisionen y mantengan clústeres de GPU independientes. Los desarrolladores pueden conectar un notebook a cómputo Serverless en GPU, seleccionar un acelerador NVIDIA H100 y un entorno compatible, y ejecutar su carga de trabajo. La configuración documentada incluye seleccionar el acelerador y el entorno base antes de aplicar la configuración. 

Esto reduce el trabajo de configurar la infraestructura de GPU y mantener un entorno de software base, aunque los equipos aún deben validar las bibliotecas y dependencias específicas del modelo.

Para los modelos fundacionales biológicos compatibles, los equipos también pueden adaptar BioNeMo Recipes para entrenar o hacer ajuste fino en datos propietarios utilizando las GPU serverless de AIR. BioNeMo Recipes proporciona implementaciones de referencia para el entrenamiento acelerado con frameworks habituales como PyTorch y Hugging Face. 

La orquestación con Lakeflow, el seguimiento de experimentos con MLflow y la gobernanza de Unity Catalog conectan la ejecución con flujos de trabajo repetibles y controles empresariales. Los científicos pueden centrarse más en la biología, mientras que los desarrolladores y los equipos de plataforma dedican menos tiempo a la gestión de la infraestructura. 

De la experimentación al despliegue

Un ciclo de vida práctico de ejemplo para un modelo en Databricks puede incluir:

1. Almacenar los pesos del modelo en un volumen gobernado de Unity Catalog para su reutilización.
2. Generar moléculas candidatas en AIR, o entrenar y hacer ajuste fino cuando el modelo y la receta lo admitan.
3. Realice el seguimiento de parámetros, métricas y artefactos con MLflow y registre modelos desplegables en Unity Catalog.
4. Despliegue modelos compatibles en puntos de enlace de Model Serving en GPU, u orqueste la ejecución en lotes cuando esto se adapte mejor a la carga de trabajo.
5. Conecte los resultados a los flujos de trabajo de investigación mediante los ejemplos de Genesis Workbench o sus propios pipelines.

Para los puntos de enlace de modelos personalizados admitidos, el escalado a cero puede reducir la capacidad aprovisionada durante la inactividad. Los arranques en frío añaden latencia y la capacidad de la GPU no está garantizada cuando un punto de enlace vuelve a escalar hacia arriba. Databricks recomienda desactivar el escalado a cero para cargas de trabajo que requieran una disponibilidad o tiempos de respuesta constantes.

Los equipos pueden elegir el patrón de ejecución que mejor se adapte a la tarea de investigación, equilibrando los requisitos de tiempo de ejecución, coste y disponibilidad.

A lo largo del flujo de trabajo, los equipos pueden conservar la configuración, la versión del modelo, los resultados de la evaluación y los artefactos necesarios para comparar experimentos. La evaluación computacional respalda la priorización de candidatos; la validación en laboratorio sigue siendo esencial.

Comenzar

Explore el repositorio de Genesis Workbench y comience con un objetivo, un propósito de diseño definido y un experimento pequeño. Utilice la implementación de ejemplo y las habilidades de agente disponibles para adaptar el flujo de trabajo y, a continuación, ejecútelo y realice el seguimiento en AIR antes de amplias operaciones.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original