NVIDIA a annoncé le déploiement d’une mise à jour majeure de son BioNeMo Agent Toolkit, conçue pour accélérer de bout en bout la prédiction de structures biomoléculaires et le co-répliement protéique. Cette solution cible principalement des modèles open source comme OpenFold3, devenus des standards dans la découverte de médicaments et la conception protéique. L’objectif est de surmonter les goulots d’étranglement historiques liés au temps de calcul et à la mémoire, notamment lorsque plusieurs centaines de milliers ou milliards de composés doivent être criblés contre des cibles protéiques. Le toolkit intègre une série d’optimisations matérielles et logicielles conçues pour les serveurs GPU NVIDIA, en particulier les architectures H100 et la nouvelle B300. Premièrement, le composant MMseqs2-GPU déplace la génération des alignements de séquences multiples vers les processeurs graphiques, réduisant ainsi ce temps de calcul d’un facteur pouvant atteindre 177 par rapport aux méthodes CPU traditionnelles. Cette étape, autrefois limitante, s’exécute désormais avec une mise à l’échelle fluide jusqu’à plus de dix mille unités de séquence. Pour la phase d’inférence, la bibliothèque cuEquivariance, intégrée directement aux modèles open source, accélère les opérations de traitement géométrique essentielles au co-répliement. Sur les puces B300, elle divise par trois à quatre la latence d’exécution tout en augmentant considérablement la longueur maximale des séquences traitables sans saturation mémoire. Cette avancée est complétée par l’OpenFold3 NIM, un service d’inférence optimisé qui stabilise et accélère encore davantage le traitement des structures complexes. Le défi de la mémoire GPU est adressé par Fold-CP, une nouvelle technique de parallélisme contextuel. Cette méthode répartit la charge de travail sur plusieurs unités de calcul, faisant passer les besoins mémoire par appareil à une échelle bien plus gérable. Sur un réseau de soixante-quatre GPU B300, le système prédit désormais des assemblages contenant jusqu’à trente-deux mille résidus, soit une capacité douze fois supérieure à la limite d’un seul processeur. Cette évolution rend abordable la modélisation de complexes biomoléculaires de grande envergure, autrefois inaccessibles. Ces accélérations transforment concrètement les flux de travail de la biologie computationnelle. En réduisant drastiquement le coût et le temps d’analyse, les méthodes basées sur la structure peuvent être déployées beaucoup plus tôt dans les campagnes de criblage virtuel, améliorant la diversité et la qualité des molécules candidates. La prédiction d’assemblages massifs, proches de la taille d’un ribosome bactérien, devient quant à elle réalisable sur une seule baie de calcul. En intégrant ces outils nativement dans des workflows pilotés par des agents autonomes, NVIDIA permet aux chercheurs de passer rapidement des prédictions algorithmiques à des insights biologiques applicables, accélérant ainsi le développement de nouvelles thérapies. Les développeurs peuvent dès à présent utiliser ces composants via des intégrations open source et des interfaces standardisées.