借助NVIDIA BioNeMo Agent Toolkit全面加速端到端共折叠性能实战方案
NVIDIABioNeMo智能体工具包加速结构预测工作流：GPUMSA将同源搜索速度提升177倍，cuEquivariance与OpenFold3NIM在BlackwellGPU上降低推理延迟达4倍，Fold-CP通过多GPU并行将协同折叠扩展到32,000个残基复合物，显著提升虚拟筛选与大型生物分子预测的效率和可扩展性。
生物分子结构预测与协同折叠，借助OpenFold3这类前沿模型，现已成为驱动药物发现和蛋白质设计的标配大规模计算任务。此外，越来越多的流程正由AI智能体实现端到端自动化执行。要确保智能体顺畅运行这一完整管线，每个环节都必须满足快速且可扩展的要求：多序列比对（MSA）生成、协同折叠推理、模型部署服务以及多GPU横向扩展。任何一个环节出现性能瓶颈，都会严重拖累整体吞吐量。
在虚拟筛选和大分子复合物预测等关键药物发现工作流中，速度和内存效率始终是核心痛点。虚拟筛选通常需要对数百万至数十亿个化合物，针对一个或几个蛋白质靶点进行逐一评估。虽然协同折叠模型往往能提供最佳预测结构，但其高昂的计算成本使得这类方法在实际虚拟筛选应用中难以大规模落地。这正是NVIDIA加速技术发挥关键作用的领域——它使OpenFold3及相关方法能够在大型化合物库规模下实现高效部署。
对于涉及多个蛋白质、数千个氨基酸残基的大型分子复合物预测，速度同样至关重要，因为协同折叠模型的运行时间与残基数量呈立方级增长。然而，更大的挑战在于内存限制：单个GPU的显存容量有限，给一次性预测的复合物大小设置了硬性上限。因此，能够降低内存需求并将预测任务分布到多个GPU上的方法，将开启目前根本无法实现的全新应用场景。
NVIDIA构建了一系列工具，用于加速和优化结构预测与协同折叠工作流中的每个环节。NVIDIA BioNeMo智能体工具包让智能体能够无缝调用所需工具，从而加快生物学和化学工作流的执行。下文将详细拆解在NVIDIA B300和H100 GPU上各个阶段的加速表现，并展示这些阶段如何通过一个智能体来协同执行（见图1）。
图1. NVIDIA加速的结构预测工作流：GPU MSA、cuEquivariance、优化推理与Fold-CP，全部由BioNeMo智能体工具包编排
图2. MSA阶段的延迟在H100和B300上近乎线性地扩展到10,000+ token（在约10,000 token时，分别为429秒和463秒）
表1. 使用与不使用cuEquivariance时，OpenFold3前向传播延迟对比
cuEquivariance核函数已直接集成到OpenFold3（作为可选依赖项）、OpenFold2、RosettaFold3、Protenix和Boltz等开源模型中。由于这些加速都已回馈到开源模型，研究人员只需在NVIDIA GPU上运行他们正在使用的模型，就能自动获得性能提升。cuEquivariance核函数还能将最大序列长度扩展到约5,900个token，而PyTorch在超过约1,500至2,500个token时就会耗尽内存。
图3. 在H100和B300上，cuEquivariance相比PyTorch降低了延迟，并扩展了最大序列长度
在cuEquivariance的基础上，OpenFold3 NIM应用了进一步的推理优化，进一步增强加速效果（见图4），使得在单个B300 GPU上即可处理高达约6,400个token的序列。这些额外的加速是通过NIM实现的；开发者可以直接调用NIM端点，或将其组合到智能体工作流中，以开箱即用地获得SOTA性能。
图4. 经过全面优化的OpenFold3 NIM在H100和B300上，分别实现了超过3倍和4倍的加速，在单个B300上可折叠高达6,400个token
来源：https://www.bestblogs.dev/article/0b86b828?utm_source=rss&utm_medium=feed&utm_campaign=resources&entry=rss_article_item
用GPU MSA消除MSA瓶颈
对于协同折叠模型，构建MSA传统上是一个CPU密集型的步骤，常常占据整个流程的绝大部分时间。MMseqs2-GPU将同源搜索迁移到了NVIDIA GPU上，在NVIDIA Hopper和Blackwell架构上都能随序列长度进行扩展，有效缓解了这一瓶颈。 最新的GPU加速版本加入了针对Hopper和Blackwell的特定优化，包括在NVIDIA Grace系统上对大于GPU显存的数据集搜索提供高效支持，以及通过CUDA 13.2中改进的Blackwell DPX指令获得额外加速。这些GPU方面的贡献已经回馈到了MMseqs2的主版本库中，让整个社区都能受益于这些加速。 MSA Search NIM正是基于MMseqs2-GPU，其《自然·方法》论文报告称，在单个L40S GPU上，其比对速度比CPU版本的JackHMMER快达177倍。在我们的基准测试中，该阶段在H100和B300 GPU上能平滑扩展到超过10,000个token（见图2）。MSA Search NIM可以直接调用、自行托管，或作为工具封装在智能体工作流中。
借助cuEquivariance和OpenFold3 NIM实现SOTA级折叠速度
cuEquivariance是一个CUDA-X库，专门为原子级建模提供几何学习原语，它提供了在协同折叠中占据主导地位的Triangle Attention、Triangle Multiplication和Attention Pair Bias等核心算子的加速版本。在B300上，它可将延迟降低高达约3倍（见下表1）。| 序列长度 | PyTorch (开源) | cuEquivariance | 加速比 |
|---|---|---|---|
| 1,024 (H100) | 79.4 秒 | 41.6 秒 | 1.9× |
| 1,024 (B300) | 49.1 秒 | 27.3 秒 | 1.8× |
| 1,536 (B300) | 149.0 秒 | 56.2 秒 | 2.7× |
| 2,048 (B300) | 300.1 秒 | 97.6 秒 | 3.1× |
借助Fold-CP扩展到单GPU之外
过去，单个GPU的显存容量将协同折叠模型限制在只能处理几千个残基。在NVIDIA B300（Blackwell Ultra）上，更大的HBM容量、Blackwell架构的效率，再结合上述cuEquivariance和高级推理优化，无需修改模型，就能将这一上限大幅提升。 然而，在许多情况下，仅依赖单设备可能仍显不足。Fold-CP引入了一种新的并行化技术，使得每设备的内存需求与O(N²/P)成正比（N为token数，P为GPU数量）。借助Boltz-2模型，在64块B300上，该技术能处理高达32,000个token的复合物——这比单GPU的限制提升了约12倍。 要尝试Fold-CP，只需让智能体指向Boltz-CP代码库，并指示其运行多GPU推理即可。加速端到端的协同折叠管线
结构预测的性能如今已是一个端到端的系统性问题。对于OpenFold3而言，实际工作流涵盖了MSA生成、协同折叠推理、模型部署，以及决定生物复合物可建模规模的内存限制。 NVIDIA加速了该工作流的每一层：MSA Search NIM将同源搜索速度提升了177倍；cuEquivariance和OpenFold3 NIM在Blackwell GPU上将推理延迟降低了高达4倍；而Fold-CP则展示了上下文并行性如何将协同折叠从单GPU扩展到在64块NVIDIA B300 GPU上处理32,000个token的复合物。 这些工具共同作用，使得结构预测更快、更具可扩展性，并且更易于集成到智能体驱动的发现工作流中，助力研究人员从模型预测迈向更大、更实用的生物系统。这些加速解锁了哪些可能
这些改进为结构生物学领域打开了一扇扇此前无法触及的大门。在虚拟筛选方面，更快的协同折叠推理意味着那些历来只用于药物发现后期阶段的结构化方法，现在可以应用于更早的阶段，并在更大的化合物库规模下发挥作用，从而提升进入后续管线的先导化合物的质量和多样性。 对于大型生物分子复合物，B300上扩展的单GPU容量与Fold-CP上下文并行框架的结合，彻底改变了可建模的范围：核糖体、剪接体或大型信号复合物等规模的复合物，对协同折叠模型而言，在结构上一直是难以处理的，而这些加速技术正在开始改变这一现状。具体来说，折叠一个约10,000个残基的复合物（大致相当于细菌核糖体的规模），在单个GPU上要么成本过高，要么根本无法实现；而在B300上配合Fold-CP，这类预测在多GPU节点上变得可行。 这些不仅仅是吞吐量的提升，而是结构生物学在计算层面上能够提出的问题发生了质的变化。通过开源集成和智能体API让这些工具易于访问，将加速计算预测转化为生物学洞见，并最终转化为新药研发的进程。开始使用
使用NVIDIA BioNeMo智能体工具包，尝试加速的OpenFold3工作流，可从以下工具入手： * MSA Search NIM * cuEquivariance * OpenFold3 NIM * 用于更大复合物预测的Fold-CP
热点追踪提示词
你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：借助NVIDIA BioNeMo Agent Toolkit全面加速端到端共折叠性能实战方案要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
相关热点AI热点2026-07-11 17:07
大模型开发理论与技术及应用体系全面梳理与整体认识
接触大模型的时间越久，越容易发现许多人缺乏对这一领域的整体认知框架。作为新兴事物，大模型不断涌现新概念，自然会让人觉得既复杂又难以掌握。今天这篇文章，就尝试从整体视角系统梳理大模型的知识体系。虽然未必百分百完善，但希望能为正在探索的学习者提供一条清晰的参考路径。 “大模型技术开发是一个复杂的领域，我
AI热点2026-07-11 17:07
快速傅里叶变换FFT原理详解与入门指南
如果说有哪个算法真正改变了数字信号处理的面貌，快速傅里叶变换（FFT）绝对排在前列。它不只是一个数学工具，更是现代通信、音频、图像、控制系统等领域背后的核心引擎。下面，我们从理论到应用，一层层把它讲透。 理论介绍 & 工程应用 理论介绍 1 傅里叶变换与离散傅里叶变换 傅里叶变换的原始公式建立在连
AI热点2026-07-11 17:06
什么是快速傅里叶变换FFT
首先明确一个核心观点：谐波分析（FFT）听起来可能很复杂，但只要你理解了它的基本原理——哪怕只是掌握大致思路——就能解决实际测试中遇到的许多疑难问题。从最直观的例子说起。你用手机播放音乐时，声音随时间变化，音符高低起伏。如果以音高（频率）为纵轴、时间为横轴，绘出的曲线就是时域波形（如图1-1）。换个
AI热点2026-07-11 17:06
从产品市场匹配到技术市场匹配的AI产品设计思考
探索AI产品设计的新范式，从PMF到TMF的转变。核心内容：1 PMF与TMF的概念及其在AI时代的意义2 AI大模型技术的模糊性、变革性与通用性3 用户为中心的产品设计原则在AI时代的应用在互联网时代，有个词大家再熟悉不过了——PMF（Product Market Fit），也就是产品与市场
- 日榜
- 周榜
- 月榜
热点快看