在 Claude Science 中运行 NVIDIA BioNeMo NIM 微服务进行蛋白质结构预测

事件核心：发生了什么

NVIDIA 在官方博客中展示了与 Anthropic 的一项技术整合：将 NVIDIA BioNeMo Agent Toolkit 嵌入 Claude Science 平台。该工具包把 NVIDIA 十多年来积累的生命科学模型、库和工作流封装成可被 AI 智能体直接调用的“技能”（skills），并基于 NIM 微服务提供推理能力。

具体实验中，用户通过 Claude Science 的 Customize > Compute 路径连接本地 GPU 端点（支持 NVIDIA L40S 或 H100），加载 msa-search、openfold3 和 boltz2 三个 NIM 容器，即可让 Claude 自动完成从生成多序列比对（MSA）到运行多个折叠模型的全流程。其中 msa-search 的 UniRef30 数据库下载量约 490GB，容器镜像总量约 30-40GB，整套工作流需要约 700GB 存储空间。

实验以真菌 Paracoccidioides lutzii 的 Seh1 蛋白及预测伙伴蛋白（C1HCX1）为案例，比较单链与双链建模下的结构差异。NVIDIA 表示，在内部基准测试中，BioNeMo 技能将任务正确率从 60% 提升至 100%，token 效率提升约一倍。

为什么重要

此次整合的价值在于解决了两个长期痛点：一是科学计算工具的环境依赖和 API 差异极大，通用 AI 智能体往往“知道该做什么但不会操作”；二是科研流程高度迭代，失败实验也可能产生有价值的信息，需要智能体具备持续调整假设的能力。BioNeMo Agent Toolkit 将这些专业知识标准化为可调用接口，使 Claude Science 这类通用智能体不必理解蛋白质折叠的底层原理，也能执行高难度任务。

对行业而言，这意味着“AI 科学家”的设想向落地迈出实质一步——不是让模型替代科学家，而是让模型能自主编排计算工具，把研究者从繁琐的软件配置和流程调度中解放出来。同时，它也展示了闭源模型（Anthropic）与专业工具（NVIDIA）之间可行的合作范式：通过标准化微服务接口实现能力互补，而非各自打造封闭生态。

对用户/开发者/创作者的影响

对于科研机构和企业研发团队，这套方案降低了计算生物学工具的使用门槛——过去需要精通多个软件包的专家才能完成的蛋白质结构预测，现在可以通过自然语言指令驱动智能体完成，且支持在本地 GPU 环境运行以保障数据隐私。开发者可以借鉴其接口设计思路，将自己的领域工具封装为 AI 可调用的 NIM 微服务或类似 API。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

对于正在使用 Claude 系列产品的用户，该项目意味着工作台的功能边界将从文本分析和代码编写，扩展到需要高性能计算的科学场景。不过需要留意，当前方案要求用户具备具备 NVIDIA GPU 的工作站或云资源，存储和算力成本不低，适合有明确科研需求的团队而非轻度用户。

值得关注的后续

目前公开信息显示，这套方案已可实际运行，但有几个关键观察点：其一，BioNeMo Agent Toolkit 是否将支持更多科学领域（如分子动力学模拟、基因组注释）并保持相同的调用标准化程度；其二，NVIDIA 是否会推动更多 AI 工作台（非仅 Claude Science）接入该工具包，从而扩大生态覆盖面；其三，模型正确率从 60% 到 100% 的提升是在特定基准上实现的，在更多蛋白质家族的泛化表现尚待验证。此外，约 700GB 的存储占用和高端 GPU 需求是否会推动轻量化版本或云托管方案，也值得持续关注。

来源：NVIDIA Generative AI Blog