RFD4-Proteina: Nvidia und UW entwickeln offenes KI-Modell fürs Protein-Design

Worum es geht

Das Institute for Protein Design (IPD) der University of Washington School of Medicine hat gemeinsam mit Nvidia RFD4-Proteina vorgestellt, ein offenes, generatives KI-Modell zum Entwurf neuer Proteine mit gewünschten Funktionen. Es basiert auf Nvidias BioNeMo-Plattform für Chemie und Biologie und ist laut den Entwicklern sofort als Open-Source-Ressource unter der BSD-3-Lizenz nutzbar. Mögliche Anwendungen sind Proteine, die Krankheitsprozesse unterbrechen, oder solche, die in Diagnosetests Krankheitszeichen erkennen.

Wie das Modell funktioniert

RFD4-Proteina verfeinert gleichzeitig die Sequenz (Abfolge der Bausteine) und die Struktur (dreidimensionale Form) eines Proteins sowie die Strukturen der Moleküle, mit denen es wechselwirkt. Eine Änderung an einer Stelle zieht so passende Änderungen an den anderen nach sich. Wissenschaftler und KI-Agenten können Entwürfe anhand von molekularen Eingaben, Randbedingungen und Bewertungszielen suchen und verfeinern.

Der Name stammt von zwei Vorgängern:

• RosettaFold Diffusion (IPD): ein „guided diffusion“-Modell, das Proteine ähnlich wie Bildgeneratoren schrittweise aus Rauschen erzeugt.
• Proteina-Complexa (Nvidia): ein generatives Modell für Binder-Design bei Protein- und Kleinmolekül-Zielen. Es kombiniert Optimierung zur Laufzeit (inference-time optimization) mit einem vortrainierten Flow-basierten Modell, das auf Nvidias La-Proteina für atomgenaues Design aufbaut.

Leistung

Laut den Entwicklern erzielte das Modell fünf- bis zehnfach höhere Designerfolgsraten und erzeugt Kandidaten fünf- bis zehnmal schneller als frühere Modelle. Nvidia gibt an, dass es in vier Benchmark-Suiten – Proteinbindung, Kleinmolekülbindung, Enzym-Scaffolding (Gerüstbau um ein aktives Zentrum) und DNA-Bindung – bei rechnerischer Erfolgsrate und Durchsatz über den verglichenen Baselines lag. Das sind Herstellerangaben; unabhängige Überprüfungen werden nicht genannt.

Zwei IPD-Forschende berichten aus der Praxis: Meg Lunn-Halbert konnte präzise steuern, welche Glykane (für die Immunerkennung wichtige Zucker) an Proteinen hängen, und das in unter einer Woche statt in Monaten. Seth Woodbury entwarf in wenigen Tagen ein pestizidabbauendes Enzym, das um ein Vielfaches besser war als sein bisher bestes, das Monate gebraucht hatte.

Verfügbarkeit und Beteiligte

RFD4-Proteina ist über Partner zugänglich: Amazon Bio Discovery, Anthropics Claude Science, Benchling, Databricks, Google Cloud, Hugging Face, Nebius, OpenAI und Tamarind Bio. So lässt es sich in Agenten-, Cloud- und Wissenschafts-Workflows einbinden. Federführend waren die UW-Doktoranden Nathaniel Corley, Maxwell Kazman und Rafi Brent sowie Kieran Didi (Gaststudent aus Oxford). Finanziert wurde die Arbeit unter anderem vom Howard Hughes Medical Institute, der Gates Foundation, Grantham Foundation, Schmidt Sciences und dem OpenFold-Konsortium; die Jen-Hsun and Lori Huang Foundation stellte einen Rechenzeit-Zuschuss bereit.

David Baker, Direktor des IPD und 2024 Chemie-Nobelpreisträger für computergestütztes Proteindesign, sagte:

Wir bewegen uns von einer Ära, in der wir die von der Natur geschaffenen Proteine entdecken, zu einer, in der wir völlig neue entwerfen können.

Er erwartet bessere Medikamente sowie Anwendungen beim Abbau von Polymeren und bei Bioplastik.

Einordnung

Offene Proteindesign-Modelle senken die Hürde für Labore, die keine eigene Großinfrastruktur haben, und die breite Partnerliste erleichtert den Zugang. Wichtig: Die genannten Erfolgsraten sind überwiegend rechnerische Werte und Herstellerangaben; ob sich Entwürfe im Labor bewähren, muss weiter experimentell geprüft werden. Das Modell hilft laut Entwicklern beim Eingrenzen und Priorisieren von Kandidaten, ersetzt aber keine Labortests. Konkrete Angaben zu Modellgröße oder Hardwarebedarf liefert die Quelle nicht.