Déployer RFD4-Proteina sur Databricks

Intégrez RFD4-Proteina à vos données de recherche grâce au développement assisté par IA et au calcul GPU NVIDIA serverless.

• Lancez-vous dès le premier jour avec la prise en charge des modèles via Genesis Workbench, un blueprint d'exemple ouvert pour les workflows des sciences de la vie.
• Créez et adaptez des pipelines avec Genie Code, les compétences du toolkit d'agents NVIDIA BioNeMo et l'assistance d'agents de codage.
• Utilisez Databricks AI Runtime, disponible pour tous, pour exécuter les charges de travail GPU prises en charge aux côtés de vos données d'entreprise, du suivi des expériences et de la gouvernance.

RFD4-Proteina, un modèle ouvert NVIDIA BioNeMo co-développé avec l'Institute for Protein Design de l'Université de Washington, aide les scientifiques à transformer leurs idées de protéines utiles en conceptions testables. NVIDIA et Databricks intègrent ce modèle dans Genesis Workbench sur AI Runtime, offrant aux développeurs un moyen de connecter les workflows de conception de protéines à leurs données de recherche.

Databricks AI Runtime (AIR) fournit du calcul GPU NVIDIA serverless pour les charges de travail prises en charge. L'intégration prévue relie l'exécution des modèles aux données de recherche et aux workflows répétables sur Databricks, réduisant ainsi la charge d'infrastructures nécessaire pour évaluer et adapter un nouveau modèle.

Mettre un modèle en œuvre nécessite bien plus que le simple téléchargement de ses poids. Les développeurs doivent préparer les entrées, connecter les outils scientifiques, configurer l'exécution et suivre les résultats, tout en protégeant les données propriétaires. Databricks rassemble ces étapes dans un environnement partagé, réduisant le besoin de construire et d'entretenir une pile de recherche distincte.

« La découverte de médicaments est un problème de données avant d'être un problème de calcul. NVIDIA et l'Institute for Protein Design repoussent les limites du possible avec des modèles comme RFD4-Proteina, et ensemble, nous veillons à ce que les équipes des sciences de la vie puissent exécuter ces modèles sur leurs propres données gouvernées, connectées à leurs propres expériences, sans faire sortir leur PI sensible de leurs locaux. Vous êtes propriétaires de votre science. Et la plateforme Databricks garantit que tout s'exécute dans un environnement unique, sécurisé et gouverné. »—Mike Sanky, VP, Healthcare and Life Sciences, Databricks

« La partie la plus difficile dans la conception de protéines n'est pas de générer des candidats. C'est de choisir les quelques-uns qui valent la peine d'être fabriqués au laboratoire. RFD4-Proteina conçoit simultanément la séquence d'une protéine et sa structure atomique complète, et il peut être orienté vers les propriétés nécessaires au projet, comme la stabilité ou la force de liaison. L'exécuter sur Databricks, à côté des données expérimentales propres à l'équipe, aide les scientifiques à choisir ces candidats en fonction de ce que leurs propres expériences ont déjà démontré.—Anthony Costa, Directeur de la biologie numérique, NVIDIA

Apportez les modèles à vos données

RFD4-Proteina s'appuie sur l'approche utilisée dans Proteina-Complexa, le modèle génératif de NVIDIA pour la conception de liants protéiques qui co-génère des séquences d'acides aminés et des structures atomiques complètes en une seule passe. RFD4-Proteina étend cette approche de génération conjointe avec une recherche guidée par la récompense optionnelle, permettant aux chercheurs d'orienter la conception des candidats vers des propriétés telles que la thermostabilité ou l'affinité de liaison.  L'intégration prévue développe les modèles de workflows Proteina-Complexa existants de Genesis Workbench, en utilisant des modèles de scoring avec des fonctions de récompense spécifiques au problème à traiter. Genesis Workbench intègre deux workflows utilisant RFD4-Proteina à titre de référence : Antibody Design et Vaccine Design.

En image : Antibody Design dans Genesis Workbench avec NVIDIA RFD4-Proteina

Genesis Workbench offre un moyen simple de commencer : son blueprint ouvert et modulaire illustre comment connecter des modèles biologiques à la préparation des entrées, à l'évaluation des candidats et à l'analyse en aval sur Databricks. Les développeurs peuvent réutiliser des composants individuels ou adapter l'implémentation à leurs propres méthodes scientifiques. 

Les équipes peuvent stocker les poids des modèles dans des volumes Unity Catalog sous forme de modèles MLflow gouvernés et les réutiliser au fil des expériences. Elles peuvent enregistrer des modèles ajustés dans Unity Catalog via MLflow, reliant les versions des modèles aux configurations et artefacts. Les contrôles d'accès et la configuration réseau doivent refléter l'emplacement d'exécution du modèle, des outils de scoring et des agents de codage.

L'utilisation de RFD4-Proteina via Genesis Workbench offre aux utilisateurs de Databricks une capacité élargie à relier les recherches entre plusieurs disciplines : l'analyse génomique peut éclairer une cible, les données en cellule unique peuvent fournir un contexte biologique, et les workflows de conception de protéines ou de petites molécules peuvent étayer les investigations ultérieures. Genesis Workbench fournit des exemples de ces fonctionnalités au sein d'un environnement partagé. 

Développez avec des compétences d'agent scientifique

Databricks Genie Code aide les développeurs à créer, déboguer et adapter des workflows de données et de ML en langage naturel. Les compétences NVIDIA BioNeMo Agent Toolkit ajoutent des instructions, scripts et références spécialisés pour les modèles biologiques et outils scientifiques, notamment la prédiction de structure, la conception de protéines, le docking moléculaire et l'analyse génomique. 

Ces compétences peuvent aider un agent de codage à préparer les entrées, invoquer les outils pris en charge, inspecter les sorties et assembler des workflows en plusieurs étapes. Les développeurs peuvent combiner ces conseils avec leurs propres conventions de données, critères d'évaluation et exigences de suivi d'expériences.

Genesis Workbench fournit également des compétences pour les agents de codage basés sur Claude, offrant un autre point d'entrée : aider les développeurs à comprendre le blueprint, structurer les intégrations pour de nouveaux modèles tels que RFD4-Proteina, et adapter ces intégrations à un cas d'usage spécifique. Cela peut accélérer la première mise en œuvre ; les vérifications de dépendances, les tests et la révision scientifique continuent de faire partie du processus.

Un chercheur en sciences de la vie pourrait exploiter directement les workflows préconçus de RFD4-Proteina depuis Genesis Workbench ou utiliser Genie Code pour créer un Databricks Notebook pour une expérience ponctuelle avec un simple prompt en anglais comme :

« Concevoir un nanocorps (VHH) contre PD-L1 en utilisant le conditionnement de framework RFD4-Proteina : conserver un framework humanisé réel (h-NbBCII10) fixe et concevoir uniquement les boucles CDR sur l'épitope bloquant PD-1. Exécuter 8 itérations × 8 échantillons avec ProteinMPNN sur les CDR et le co-repliement Boltz pour la liaison ; pondérer la récompense en faveur de la liaison (ipTM), de la confiance de repliement (pLDDT), de la développabilité (solubilité, thermostabilité) et d'un faible risque d'anticorps anti-médicament (MHC-II). Renvoyer les meilleures conceptions avec la trajectoire de récompense et les PDB complexes top-K. »

Genie Code aide à l'implémentation, tandis que les développeurs et les chercheurs conservent le contrôle en examinant le code, en sélectionnant les outils appropriés et en interprétant les résultats.

Exécutez sur des GPU NVIDIA gérés

AIR simplifie l'accès à l'accélération NVIDIA sans exiger que les équipes approvisionnent et maintiennent des clusters GPU distincts. Les développeurs peuvent connecter un notebook au calcul GPU serverless, sélectionner un accélérateur NVIDIA H100 ainsi qu'un environnement pris en charge, et exécuter leur charge de travail. La configuration documentée comprend la sélection de l'accélérateur et de l'environnement de base avant d'appliquer la configuration. 

Cela réduit le travail de configuration de l'infrastructure GPU et de maintenance de l'environnement logiciel de base, bien que les équipes doivent toujours valider les bibliothèques et dépendances spécifiques aux modèles.

Pour les modèles fondationnels biologiques pris en charge, les équipes peuvent également adapter BioNeMo Recipes afin d'entraîner ou d'ajuster des modèles sur des données propriétaires à l'aide des GPU serverless d'AIR. BioNeMo Recipes fournit des implémentations de référence pour un entraînement accéléré avec des frameworks familiers tels que PyTorch et Hugging Face. 

L'orchestration Lakeflow, le suivi des expériences MLflow et la gouvernance Unity Catalog relient l'exécution à des workflows répétables et aux contrôles d'entreprise. Les scientifiques peuvent se concentrer sur la biologie, tandis que les développeurs et les équipes de plateforme passent moins de temps à gérer l'infrastructure. 

De l'expérimentation au déploiement

Un exemple de cycle de vie pratique d'un modèle sur Databricks peut inclure :

1. Stocker les poids des modèles dans un volume Unity Catalog gouverné pour leur réutilisation.
2. Générer des molécules candidates sur AIR, ou entraîner et ajuster là où le modèle et la recette le permettent.
3. Suivez les paramètres, les métriques et les artefacts avec MLflow et enregistrez des modèles déployables dans Unity Catalog.
4. Déployez des modèles compatibles sur des points de terminaison GPU Model Serving, ou orchestrez une exécution par lots lorsque cela convient mieux à la charge de travail.
5. Connectez les résultats aux flux de travail de recherche via des exemples Genesis Workbench ou vos propres pipelines.

Pour les points de terminaison de modèles personnalisés pris en charge, le scale-to-zero peut réduire la capacité approvisionnée en période d'inactivité. Les démarrages à froid ajoutent de la latence, et la capacité GPU n'est pas garantie lorsqu'un point de terminaison redémarre. Databricks recommande de désactiver le scale-to-zero pour les charges de travail nécessitant une disponibilité ou des temps de réponse constants.

Les équipes peuvent choisir le schéma d'exécution qui convient à la tâche de recherche, en équilibrant les exigences de temps d'exécution, de coût et de disponibilité.

Tout au long du flux de travail, les équipes peuvent conserver la configuration, la version du modèle, les résultats d'évaluation et les artefacts nécessaires pour comparer les expériences. L'évaluation informatique aide à la priorisation des candidats ; la validation en laboratoire reste essentielle.

Pour commencer

Explorez le dépôt Genesis Workbench et commencez avec une cible, un objectif de conception défini et une petite expérience. Utilisez l'exemple d'implémentation et les compétences d'agent disponibles pour adapter le flux de travail, puis exécutez-le et suivez-le sur AIR avant de l'étendre.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original