ARTICLE · 1024957
用 AI 加速药物发现的＂超级助手＂
NVIDIA BioNeMo 一篇科普文章
假设你是一位医学研究员，要研发一款新药。你面临的挑战是这样的：
人体里有几万种蛋白质，它们像精密的齿轮一样互相配合。当某个齿轮出了问题，人就会生病。你要做的，是找到一个小分子（就是未来可能成为药丸的那个东西），让它精准地卡住出问题的那个齿轮——就像一把钥匙插进一把锁。
一把钥匙开一把锁：药分子 = 钥匙，致病蛋白 = 锁。
但问题在于：
·锁（致病蛋白）长什么样？以前的办法是培养晶体、用 X 射线拍——花几个月甚至几年，成本极高
·钥匙（药分子）怎么设计？一个药企的分子库里有上百万个候选分子，一个一个试？太慢了
·试出来的钥匙真的能开锁吗？还得做实验验证，又是漫长的等待
这就是为什么一个新药从研发到上市，平均要花 10-15 年，烧掉几十亿美元。
那如果有一种工具，能在几分钟之内告诉你"这个锁长什么样"、"这把钥匙能不能开锁"、甚至帮你"自动设计一把新钥匙"呢？
这就是 NVIDIA BioNeMo 要做的事。
二、BioNeMo 是什么：一句话说清楚
你可能听说过 ChatGPT。ChatGPT 是一个"读万卷书"的 AI——它读了互联网上几乎所有的文字，学会了人类语言的规律，所以能和你聊天、写文章、编代码。
BioNeMo 做的事本质上一模一样，只不过它"读"的不是人类语言，而是生物数据：
·蛋白质的氨基酸序列（可以理解为"蛋白质的说明书"）
·DNA 序列（生命的"源代码"）
·分子的化学结构（药物的"设计图纸"）
读了这些数据之后，AI 就学会了生物世界的"语言规律"。于是它能做很多事情：
·看到一串氨基酸序列，就能猜出这个蛋白质长什么样（3D 结构）
·看到一个致病蛋白，就能帮忙设计能结合它的新药分子
·看到一段 DNA，就能预测某个基因突变有没有害
BioNeMo 不是单一的软件，而是一整套工具集合，包含三样东西：
组成部分 | 通俗理解 | 给谁用 |
预训练模型 | 已经"读万卷书"学好的 AI 模型，拿来就能用 | 所有人 |
训练工具 | 如果你有自己的数据，可以用它来"教" AI 学新东西 | 研究团队 |
API 接口 | 把 AI 能力包装成"点一下就能用"的在线服务 | 开发者 |
三、它具体能干什么：五大本领
BioNeMo 目前提供了 13 个 AI 模型，每个擅长一件事。我们可以把它们分成五大类来理解。
本领一：看序列猜结构（蛋白质结构预测）
这是最出名的能力。蛋白质是由一串氨基酸连起来的链条，但这条链在空间中会折叠成复杂的立体形状。形状决定了功能——就像折纸一样，同样的纸，折法不同，做出来的东西完全不同。
输入一串氨基酸（像一维的字母序列），AI 给你一个 3D 立体结构。
这就像你给 AI 看一份乐高积木的零件清单（按顺序列出每个零件），AI 直接告诉你拼完后的 3D 模型长什么样。
这类模型有 5 个：
模型 | 打个比方 | 特点 |
AlphaFold2 | 行业标杆，最准但较慢 | Google 出品，精度最高，需要查数据库做比对 |
ESMFold | 快刀斩乱麻 | Meta 出品，速度快，不用查数据库，适合快速估算 |
ESMFold vs AlphaFold2 | 前者是"速写"，后者是"工笔画" | 看场景选择 |
OpenFold2 | AlphaFold2 的开源翻版 | 可自己修改，灵活度高 |
AlphaFold2-Multimer | 看多个齿轮怎么咬合 | 预测多个蛋白质组合在一起的复合物结构 |
AlphaFold2 是 2024 年诺贝尔化学奖成果的核心技术之一。它解决了困扰生物学界 50 年的"蛋白质折叠问题"——从氨基酸序列预测蛋白质的 3D 结构。ESMFold 虽然精度稍低，但速度快得多，适合大规模批量预测。
本领二：反过来——给结构设计序列（蛋白质设计）
本领一是"知道序列猜结构"。本领二反过来：你想要一个什么样结构的蛋白质，AI 帮你设计出能折叠成那个结构的氨基酸序列。
你画个房子的外观图，AI 帮你出施工图纸。
这里有两个王牌模型配合使用：
模型 | 功能 | 形象理解 |
RFdiffusion | 从零生成全新的蛋白质骨架 | AI 建筑师：画出房子的框架结构 |
ProteinMPNN | 根据骨架反推氨基酸序列 | AI 结构工程师：算出用什么砖、怎么砌 |
为什么要这么干？比如你想做一个"蛋白质药物"去结合致病蛋白——你得先设计一个从未在自然界存在过的全新蛋白质。这就好比让 AI 当"造物主"，设计自然界没有的新东西。
本领三：设计药分子并测试（分子生成与对接）
这一类模型针对的是小分子药物——就是你吃的药片里的有效成分。
模型 | 功能 | 形象理解 |
MolMIM | 从一个已知分子出发，找到更好的变体 | 在"分子地图"上探索，找到药效更好的邻居 |
GenMol | 像搭积木一样拼出新分子 | 用碎片拼装，灵活设计各种药物结构 |
DiffDock | 预测分子和蛋白质怎么结合 | 虚拟试钥匙：这把钥匙插得进这个锁吗？ |
DiffDock 特别有意思——它解决的是"分子对接"问题。想象你有一个靶蛋白（锁）和一批候选药分子（钥匙），DiffDock 能在电脑里模拟"钥匙插锁"的过程，告诉你哪把钥匙最合适，不用真的去实验室做实验。
本领四：读懂 DNA（基因组学）
DNA 是生命的源代码，由 A、T、C、G 四个字母组成。人类基因组有 30 亿个字母。
模型 | 功能 | 形象理解 |
Evo 2（400 亿参数） | 理解和生成 DNA 序列 | DNA 版 ChatGPT：预测下一个碱基 |
ESM-2（6.5 亿参数） | 把蛋白质转成数学向量 | 蛋白质"翻译器"：把生物信息变成数字 |
Evo 2 是目前最大的基因组 AI 模型，参数量达 400 亿。它不但能预测某个基因突变有没有害，甚至能设计出自然界不存在的新基因系统——比如新的 CRISPR 基因编辑工具。
本领五：族谱查询（序列对齐）
MSA-Search 做的事是"多序列比对"——给你一段蛋白质序列，它去数据库里找出所有"亲戚"序列。
这就像你把家谱上传到系统里，AI 帮你找到所有远房亲戚。为什么要找"亲戚"？因为蛋白质的"家族信息"能帮助更准确地预测结构——AlphaFold2 就需要这个信息
四、和 ChatGPT 是什么关系
这是理解 BioNeMo 最关键的一个类比。
先说结论：BioNeMo 里的模型和 ChatGPT 等"通用大模型"，用的是同一套技术，只是"读的书"不同。
ChatGPT 读的是互联网上的文字，BioNeMo 的模型读的是生物数据库。
用一个表格来说明：
对比项 | ChatGPT（通用大模型） | BioNeMo 的生物模型 |
核心算法 | Transformer（同一套技术） | 完全一样的 Transformer |
学习方式 | 看大量文本，学会猜下一个词 | 看大量蛋白质/DNA 序列，学会猜下一个符号 |
"词汇"是什么 | 人类语言词汇（如：今天、天气、学习） | 氨基酸（共 20 种）或 DNA 碱基（共 4 种：A/T/C/G） |
"一句话"是什么 | 一句话或一篇文章 | 一条蛋白质序列或一段 DNA |
学会之后能干嘛 | 聊天、写文章、翻译、编程 | 预测结构、设计药物、分析基因 |
参数规模 | 百亿到万亿 | 一亿到四百亿（规模小一些，但方法一样） |
·ESM-2 = 蛋白质版 BERT：它和 ChatGPT 的"大脑结构"完全一样，只不过词汇表从几万个人类语言词汇换成了 20 种氨基酸。训练方法也一样：随机盖住几个氨基酸让它猜——猜多了就"理解"了蛋白质的规律。
·Evo 2 = DNA 版 GPT：它和 GPT 的原理一模一样——看前面的内容，预测下一个。只不过预测的不是下一个字，而是下一个 DNA 碱基（A/T/C/G 中的一个）。
为什么这件事很重要？
因为既然技术一样，那么 ChatGPT 领域发展出来的所有加速技术（更好的芯片、更聪明的训练方法、更高效的推理引擎），BioNeMo 都能直接拿来用。相当于"站在巨人的肩膀上"做生物研究。
五、它站在 NVIDIA 大家族的哪个位置
NVIDIA 不只是做显卡的。在 AI 时代，它建了一整栋"大楼"，BioNeMo 就住在这栋大楼的顶层。从下到上看这栋楼：
楼层 | 住着什么 | 通俗解释 |
地下室 | GPU 芯片 | 发动机——H100、B200 等芯片提供算力 |
一楼 | CUDA | 驾驶员——让软件能指挥 GPU 干活的基础接口 |
二楼 | 基础算子库（cuDNN 等） | 工具箱——把常见的矩阵运算写成高效代码 |
三楼 | TransformerEngine | 加速引擎——专门优化 Transformer 类模型的运行速度 |
四楼 | PyTorch + NeMo | 工作台——研究员在这上面训练和调试 AI 模型 |
五楼 | BioNeMo | 成品展示——面向药物研发的预训练模型和在线服务 |
GPU 是"发动机"，CUDA 是"方向盘"，cuDNN 是"变速箱"，TransformerEngine 是"涡轮增压"，PyTorch 是"造车车间"，而 BioNeMo 是一辆"专门跑药物研发赛道的赛车"。每一层都是下一层的基础。
关键理解：BioNeMo 说"训练快 2 倍、推理快 6 倍"，不是因为它发明了什么新算法。而是因为三楼的 TransformerEngine 做到了一件事——把计算精度从 16 位降到 8 位（叫 FP8）。精度降了，但结果几乎不受影响，而计算速度直接翻倍。这是"地下室"芯片和"三楼"引擎联手提供的能力，BioNeMo 只是打开了开关。
六、怎么用：三种姿势
BioNeMo 提供了三种使用方式，从简单到复杂：
姿势一：在线试用（零门槛）
打开网页（build.nvidia.com），选一个模型，输入你的数据，点"运行"，等几秒就出结果。就像用 ChatGPT 一样简单。部分模型有免费额度，注册账号就能用。
适合人群：想快速了解效果的人，不需要写代码。
姿势二：本地部署（企业级）
把 AI 模型下载到自己的服务器上运行。好处是数据不出公司，隐私有保障。操作也不复杂——下载一个 Docker 容器（可以理解为"打包好的软件箱"），一行命令启动就能用。
适合人群：制药公司、研究机构，需要处理保密数据。
姿势三：自己训练（完全自定义）
如果你有自己的数据（比如公司积累的化合物库），想训练一个"专属 AI 模型"，BioNeMo 提供了完整的开源训练框架。你需要有 GPU 服务器和 AI 工程能力。
适合人群：有 AI 研发团队的制药企业和科研院所。
七、为什么能这么快：秘密武器
BioNeMo 比传统方法快的秘密，主要有三个：
秘密一：用更少的位数算数学
AI 训练本质上是在做大量的矩阵乘法。传统方法用 16 位浮点数（BF16）来表示每个数字。NVIDIA 发现，很多时候用 8 位（FP8）就够了——结果几乎一样，但计算量减半，速度翻倍。
好比记账：精确到分 vs 精确到角——大多数情况下精确到角就够了，但算得快一倍。
秘密二：把长序列拆开算
DNA 序列动辄几百万个字母，一张 GPU 卡的内存装不下。BioNeMo 用了"上下文并行"技术——把超长序列切成几段，分给多张 GPU 同时算，最后拼起来。
好比一本 1000 页的书一个人读不完，拆成 10 本 100 页分给 10 个人同时读。
秘密三：不浪费算力
蛋白质序列长短不一（有的 100 个氨基酸，有的 1000 个）。传统做法是把所有序列都补齐到最长的长度（多出来的位置填空白），但补白的位置也在白白消耗算力。BioNeMo 用"序列打包"技术把不同长度的序列像拼俄罗斯方块一样塞到一起，没有空白浪费。
八、真实应用场景：从头到尾的例子
说了这么多理论，我们来看一个完整的实际案例——用 BioNeMo 设计一种新的蛋白质药物。
场景：设计一个能攻击癌细胞的"蛋白质导弹"
目标：设计一种蛋白质药物，能精准结合癌细胞表面的某个致病蛋白（靶点），像导弹一样精准打击癌细胞，不伤正常细胞。
传统做法：
这需要大量实验——设计候选蛋白、表达纯化、做结合实验、筛选优化。一轮就要几个月。通常需要几十轮迭代，整个过程可能要 3-5 年。
用 BioNeMo 的做法（电脑里完成大部分筛选）：
整个过程就像一条"流水线"，四个 AI 模型接力工作：
步骤 | 用什么模型 | 做什么 | 通俗理解 |
第 1 步 | RFdiffusion | 生成能结合靶点的蛋白质骨架 | AI 画出一个"钥匙"的大致形状 |
第 2 步 | ProteinMPNN | 把骨架翻译成氨基酸序列 | 算出用什么材料造这把钥匙 |
第 3 步 | AlphaFold2 | 验证序列能否折叠成目标结构 | 模拟验证：这把钥匙真的能折成那个形状吗？ |
第 4 步 | AlphaFold2-Multimer | 验证钥匙和锁能否正确结合 | 模拟验证：钥匙真的能插进锁孔吗？ |
另一个场景：虚拟药物筛选
如果你不是设计蛋白质，而是要从小分子库里找药：
·第 1 步：MolMIM 或 GenMol 生成一批候选分子
·第 2 步：DiffDock 模拟每个分子与靶蛋白的结合效果
·第 3 步：按评分排序，挑出最有潜力的分子做实验
这三个步骤在电脑里跑完，相当于"虚拟筛了几百万个分子"。把最有希望的几十个挑出来做实验验证，大大节省了时间和成本。
九、小结
最后，用一张表回顾 BioNeMo 到底带来了什么改变：
做什么 | 传统方法 | 用 BioNeMo |
看蛋白质结构 | 培养晶体 + X 射线：几个月，几百万美元 | AI 预测：几分钟，几乎免费 |
找候选药物 | 实验筛选百万分子库：好几年 | AI 虚拟筛选：几个小时 |
设计新蛋白质 | 靠经验猜测，成功率低 | AI 生成 + 验证，成功率大幅提升 |
分析基因突变 | 大规模实验验证 | AI 零样本预测，秒级出结果 |
BioNeMo 代表的是一个趋势——AI 正在从"能聊天、能写文章"走向"能做科学研究、能发现新药"。也许在不久的将来，你吃到的某种新药，就是 AI 设计出来的。
参考资源（感兴趣的可以深入阅读）：
·BioNeMo 官网：nvidia.com/en-us/clara/bionemo
·在线试用：build.nvidia.com（搜索 bionemo）
·开源代码：github.com/NVIDIA/bionemo-framework