NVIDIA-BioNeMo: Proteinvorhersage mit 100% Korrektheit durch KI-Agenten
Veröffentlicht am: 01.09.2026 um 02:54 Uhr | Redaktion boerse-global.de
Der Technologiekonzern NVIDIA hat Ende August eine strategische Erweiterung seiner KI-gestützten Forschungsplattform bekannt gegeben. Durch die Integration des BioNeMo Agent Toolkits in das System Claude Science soll die Vorhersage von Proteinstrukturen sowie die allgemeine Forschung in den Lebenswissenschaften maßgeblich beschleunigt werden. Die Kooperation zielt darauf ab, die Effizienz in der frühen Phase der Wirkstoffentwicklung durch den Einsatz spezialisierter KI-Agenten zu steigern.
Technologische Fortschritte bei der Proteinstrukturvorhersage
Im Zentrum der Ankündigung steht die Einbindung von BioNeMo NIM Microservices in die Claude-Science-Umgebung. Diese spezialisierten Dienste ermöglichen Forschenden den Zugriff auf fortschrittliche Modelle zur Analyse komplexer biologischer Daten. In aktuellen Benchmarks zeigten die integrierten Modelle OpenFold3 und Boltz-2 beachtliche Ergebnisse bei der Vorhersage von Proteinstrukturen.
Unter Verwendung von Multiple Sequence Alignment (MSA) erreichten die Modelle iPTM-Werte von 0,85 beziehungsweise 0,82. Die Bedeutung dieser Technologie wird insbesondere im Vergleich deutlich: Ohne den Einsatz von MSA sanken die Werte für OpenFold3 auf 0,14 und für Boltz-2 auf 0,19 ab. Diese Daten unterstreichen die Notwendigkeit hochspezialisierter Workflows für präzise wissenschaftliche Ergebnisse in der Bioinformatik.
Konkrete Anwendungsbeispiele verdeutlichen die Leistungsfähigkeit der neuen Integration. Bei der Untersuchung des Seh1-Monomers wurde ein Vertrauenswert von 0,25 bei einem pLDDT-Wert von 82,3 und einem PTM von 0,82 verzeichnet. Bei der komplexeren Interaktion von Seh1 mit C1HCX1 stieg der Vertrauenswert (Confidence) auf 0,8 an.
Massive Effizienzgewinne durch Agentic AI
Die Integration von BioNeMo in Claude Science verspricht eine Steigerung der Task-Korrektheit von 60 auf 100 Prozent – doch der entscheidende Faktor ist der richtige MSA-Workflow. Unser kostenloser Leitfaden zeigt Ihnen, wie Sie diese Technologie Schritt für Schritt in Ihre Forschung integrieren. Jetzt kostenlosen Leitfaden anfordern
Die Einführung des BioNeMo Agent Toolkits führt laut Unternehmensangaben zu einer drastischen Verbesserung der Arbeitsabläufe. Die Korrektheit bei der Ausführung komplexer Forschungsaufgaben konnte durch die Integration von 60 Prozent auf 100 Prozent gesteigert werden. Parallel dazu hat sich die Token-Effizienz bei der Verarbeitung der Daten verdoppelt, was die Rechenkosten für Forschungseinrichtungen und Pharmaunternehmen senken dürfte.
Diese Fortschritte sind Teil eines Trends hin zur sogenannten Agentic AI in der Forschung. Dabei agieren KI-Systeme nicht mehr nur als reine Chat-Schnittstellen, sondern führen eigenständig komplexe, mehrstufige wissenschaftliche Workflows aus.
Für die Simulation von Interaktionen wie jener zwischen Seh1 und C1HCX1 unter Einsatz von OpenFold3 und Boltz-2 sind jedoch erhebliche Hardware-Ressourcen erforderlich. NVIDIA nennt hierfür den Einsatz von L40S- oder H100-Grafikprozessoren (GPUs) sowie eine Speicherkapazität von 700 GB als Voraussetzung.
Marktreaktion und wirtschaftliches Umfeld
Ohne Multiple Sequence Alignment sinken die iPTM-Werte drastisch – von 0,85 auf 0,14. Wer präzise Proteinvorhersagen benötigt, muss seinen MSA-Workflow optimieren. Dieser Leitfaden liefert eine konkrete Checkliste und hilft Ihnen, die richtige GPU-Ausstattung zu wählen. MSA-Workflow-Checkliste jetzt sichern
Die Ankündigung erfolgt in einer Phase anhaltender wirtschaftlicher Stärke des Chipherstellers. Zum Zeitpunkt der Bekanntgabe notierte die NVIDIA-Aktie bei 219,87 US-Dollar, was einem Zuwachs von 1,07 Prozent entspricht. Die Marktkapitalisierung des Unternehmens wurde mit 5,34 Billionen US-Dollar beziffert.
Mit der tieferen Integration von BioNeMo in Claude Science festigt NVIDIA seine Position als Infrastrukturanbieter für die pharmazeutische Industrie. Der Fokus verschiebt sich dabei zunehmend von der reinen Bereitstellung von Rechenleistung hin zu spezialisierten Software-Stacks und autonomen Wirkstoffforschungswerkzeugen, die den Zeitaufwand für wissenschaftliche Durchbrüche in der Biologie verringern sollen.
