NVIDIA 2026年10月21日於官方技術部落格發布文章，介紹其 BioNeMo 平台下嘅開放模型 RFD4-Proteina。呢個模型由 NVIDIA 聯合華盛頓大學醫學院蛋白質設計研究所（Institute for Protein Design）共同開發，目標係幫助計算生物學家、機器學習工程師同藥物發現研究者設計蛋白質結合子（protein binder）候選，特別係針對 PD-L1——一個腫瘤免疫治療領域嘅重要標的。
蛋白質設計係一個搜索問題
文章指出，僅係為8個氨基酸殘基（residue）嘅蛋白質序列揀氨基酸，已經有超過250億種組合。如果係100個殘基嘅序列，可能性甚至超過可觀測宇宙嘅原子數量。喺呢個天文數字級嘅搜索空間入面，要揾到有潛力嘅新療法，關鍵唔係全面掃描，而係知道「應該喺邊度揾」。
RFD4-Proteina 嘅做法係透過從自然學到嘅模式，喺搜索空間入面導航。佢同時設計蛋白質序列同全原子結構（all-atom structure），並用獎勵引導嘅推理時搜索（reward-guided inference-time search），將算力集中喺最有希望嘅候選上。
兩條使用路徑
RFD4-Proteina 提供兩種使用方式：
- 開放模型：適合需要訓練、推理、方法開發同直接控制採樣程式碼嘅用户，需搭配支援嘅 NVIDIA GPU 同 Python 3.12 環境。
- NIM 微服務：提供 HTTP 介面嘅快速推理部署，可自托管（x86_64 或 arm64 Linux，需 Docker、NVIDIA Driver、NVIDIA Container Toolkit 同 NGC API key），或者直接使用 NVIDIA 嘅雲端 API 端點（文中註明不建議用於生產環境）。
技術亮點：由400步縮到60步
RFD4-Proteina 繼承咗 Proteina-Complexa 嘅部分潛空間（partially latent）方法，結合明確嘅 backbone 座標同潛表示、學到嘅序列同原子變數。佢嘅 autoencoder decoder 會同時產生序列同全原子結構，唔再需要額外交接畀 ProteinMPNN 呢類反摺疊（inverse-folding）模型。
相比上一代 RFD3，RFD4-Proteina 喺速度同記憶體使用上顯著改善，原因包括：
- 採用殘基級潛表示（residue-level latent representation）而非原子級，避免記憶體膨脹
- 擴散過程經工程優化，將採樣步數由 Proteina-Complexa 嘅約400步削減至60步
- 推理時搜索更快，因為 OF3 同 tmol 等物理 oracle 已做 CUDA 加速
- 模型同 kernel 同 cuEquivariance 同 BioNeMo Inference Runtime（BIR）團隊共同設計，針對速度優化
獎勵引導推理時搜索
喺推理時搜索循環入面，模型對生成軌跡去噪（denoise）以獲得結構，然後為設計評分，保留同分枝有希望嘅部分狀態，持續至達到生成條件。獎勵信號可衡量幾何、分子間交互作用或獨立預測信心。呢種額外搜索可針對指定目標優化設計，產出更高評分嘅候選。
模姐驗嚇貨
NVIDIA 呢篇屬官方技術部落格文章，內容側重方法介紹同部署指引，提及有「跨設計任務嘅實驗驗證結果」但未喺呢篇披露具體數據。RFD4-Proteina 係 BioNeMo 平台嘅延伸，開放權重可下載使用，對本地部署同方法研發嘅研究者有實際意義。400步降至60步嘅採樣效率提升，若果屬同質比較，對部署成本有直接影響，惟目前資料未提供獨立第三方驗證。
模姐｜深度調教
