NVIDIA hat mit dem BioNeMo Agent Toolkit neue Beschleunigungsmethoden für die biomolekulare Co-Faltung eingeführt, um die Effizienz von KI-gesteuerten Workflows in der Wirkstoffentwicklung und Proteinstrukturvorhersage zu steigern. Da moderne Modelle wie OpenFold3 zunehmend von autonomen Agenten orchestriert werden, müssen alle Pipeline-Schritte von der Multisequenz-Alignierung bis zur Inferenz skaliert und speicheroptimiert sein. Die neuen Tools adressieren diese Engpässe gezielt auf NVIDIA-Hopper- und Blackwell-GPUs. Ein zentrales Problem war bisher die MSA-Generierung, die traditionell auf CPUs rechenintensiv war. Mit MMseqs2-GPU verlagert NVIDIA die homologe Suche direkt auf die GPU. Gegenüber dem klassischen CPU-basierten JackHMMER erzielt dies bis zu 177 Mal höhere Geschwindigkeiten und skaliert nahtlos über 10.000 Tokens auf H100- und B300-GPUs. Die Optimierungen wurden in das offizielle MMseqs2-Repository integriert und sind über den MSA Search NIM oder direkt in agentic Workflows abrufbar. Für die eigentliche Faltungs-Inferenz stellt NVIDIA mit cuEquivariance eine spezialisierte CUDA-X-Bibliothek bereit. Sie beschleunigt die rechenintensivsten Kernel wie Triangle Attention und Triangle Multiplication und reduziert die Latenz auf Blackwell-Hardware um bis zu 300 Prozent. Parallel dazu ermöglicht cuEquivariance die Verarbeitung von Sequenzen bis zu 5.900 Tokens, während Standard-PyTorch-Implementierungen bereits bei 1.500 bis 2.500 Tokens an Speicher Grenzen stoßen. Kombiniert mit dem OpenFold3 NIM, der weitere inference-spezifische Optimierungen bietet, lässt sich die Faltung auf einer einzelnen B300-GPU um das Vierfache beschleunigen und Sequenzlängen von bis zu 6.400 Tokens erreichen. Die Begrenzung einzelner GPUs wird durch das neu entwickelte Fold-CP-Verfahren überwunden. Diese Kontext-Parallelisierung verteilt die Berechnung effizient auf mehrere Beschleuniger, sodass der pro Gerät benötigte Speicher mit O(N²/P) skaliert. Damit können komplexe biomolekulare Assemblierungen mit bis zu 32.000 Tokens über 64 B300-GPUs berechnet werden, was einer 12-fachen Steigerung gegenüber der Single-GPU-Lösung entspricht. Diese technischen Durchbrüche verändern die Praxis der computergestützten Strukturbiologie grundlegend. Schnellere Co-Faltungs-Inferenzen erlauben es, strukturbasierte Methoden früher im Entwicklungsprozess und auf deutlich größeren Wirkstoffbibliotheken einzusetzen. Darüber hinaus werden zuvor unmögliche Simulationen großer molekularer Komplexe, wie sie für Ribosomen oder Spliceosomen charakteristisch sind, auf Clusternrechner skalierbar. Durch die nahtlose Integration in Open-Source-Modelle und agentic APIs stellen NVIDIA sicher, dass Forschungsteam die beschleunigten Tools direkt in bestehende Pipelines übernehmen können. Die Kombination aus massiver Parallelität, speicheroptimierter Architektur und agentenbasierter Orchestrierung verkürzt den Weg von computergestützten Vorhersagen zu konkreten biologischen Erkenntnissen und neuen Therapeutika signifikant.