NVIDIA erweitert das BioNeMo-Ökosystem um spezialisierte Trainingsrecipes, die das effiziente Fine-Tuning biologischer Foundation-Models mittels Low-Rank Adaptation (LoRA) standardisieren. Der Ansatz adressiert das zentrale Problem der Ressourcennutzung: Während das vollumfängliche Fine-Tuning von Modellen mit Milliarden von Parametern sowohl Rechen- als auch Speicherbedarf exponentiell steigert, friert LoRA die vortrainierten Backbones ein und trainiert ausschließlich kleine Adaptermatrizen. Dies reduziert die lernbaren Parameter auf etwa ein Prozent und macht die Anpassung auf Hardware der Workstation-Klasse praktikabel. Im Rahmen der neuen BioNeMo Recipes demonstriert NVIDIA zwei Anwendungsfälle über unterschiedliche biologische Modalitäten hinweg. Für die Vorhersage der Proteinsekundärstruktur wird das Modell ESM2-3B eingesetzt. Durch die Kombination von LoRA mit der NVIDIA Transformer Engine und sequenzbasiertem Packing (THD) wird der durch Padding verursachte Overhead eliminiert. Die dadurch entstehende 5,5-fache Steigerung des Datendurchsatzes ermöglicht es, das Modell innerhalb einer Stunde auf einer einzelnen RTX 6000 Blackwell Workstation GPU zu fine-tunen. Die erzielten Q3- und Q8-Genauigkeiten von 84,8 bzw. 74,3 Prozent liegen im gleichen Leistungsbereich wie etablierte Branchenstandards wie Porter 6 und SPOT-1D-LM. Parallel dazu wird das Modell Evo2-1B für die Klassifikation von Spleißstellen in Genomdaten adaptiert. Evo2 basiert auf einer Hybridarchitektur aus Attention- und State-Space-Blöcken, die lange genomische Kontexte effizient verarbeiten kann. Während ein reines Klassifizierungskopf-Modell auf etwa 52,3 Prozent Testgenauigkeit kommt, steigt der Wert durch LoRA-Adaption auf 96,6 Prozent, wobei lediglich 1,42 Prozent der Gesamtparameter trainiert werden. Die verbleibenden Fehler treten primär bei der Unterscheidung von Donor- und Acceptor-Stellen auf, was auf die inhärente strukturelle Ähnlichkeit dieser Motivsequenzen zurückzuführen ist. Die BioNeMo Recipes stellen die gesamte Infrastruktur bereit, um diese Workflows reproduzierbar umzusetzen. Sie integrieren bewährte PyTorch- und Hugging-Face-Patterns mit Megatron-Bridge für optimiertes Dataloading und Checkpointing. Durch die standardisierte Einbettung von Parameter-Efficient-Fine-Tuning-Bibliotheken wird die Komplexität des Modell-Zoomings auf ein Minimum reduziert. Entwickler können die vollständigen Trainingsloops und Evaluierungswerkzeuge direkt aus dem öffentlichen Repository anpassen. Diese Entwicklung markiert einen signifikanten Shift in der computational biology. Milliarden-Parameter-Modelle, die zuvor nur in spezialisierten Rechenzentren wirtschaftlich betreibbar waren, lassen sich nun durch parameter-effiziente Techniken und intelligente Speicher-Optimierungen auf Workstation-GPUs trainieren. Dies senkt die Eintrittsbarrieren für biomedizinische Forschung, beschleunigt den Iterationszyklus bei der Wirkstoffentwicklung und ermöglicht eine dezentrale, hochperformante Analyse genomischer und proteomischer Daten. Die Recipes stehen als offene Referenzimplementierung zur Verfügung.