NVIDIA联手华盛顿大学蛋白质设计研究所与西门子医疗:RFD4-Proteina与自适应放疗的技术深度解读

作者:timedoo医疗 编辑部 | 栏目:医疗AI·技术深度 | 更新日期:2026年11月9日 | 预计阅读时间:9分钟

信息来源: MobiHealthNews(HIMSS Media旗下)对NVIDIA及西门子医疗(Siemens Healthineers)相关发布的报道,并结合已发表的同行评议论文进行技术背景梳理。

核心摘要

• NVIDIA与华盛顿大学医学院蛋白质设计研究所(Institute for Protein Design)合作推出开放蛋白质设计模型 RFD4-Proteina,隶属NVIDIA BioNeMo平台,定位是把“可编程的蛋白质设计”与“搜索能力”结合起来。
• 据NVIDIA称,该模型在蛋白质结合、小分子结合、酶支架设计和DNA结合四类任务上,计算设计成功率高于所评估的基线方法。这一结论目前来自厂商陈述,且属于计算层面的评估,不等同于实验室或临床验证。
• 模型已通过亚马逊Bio Discovery、Anthropic、Benchling、Databricks、谷歌云、Hugging Face、微软Azure、Nebius、OpenAI、Tamarind Bio等合作方提供。
• NVIDIA同时与西门子医疗旗下肿瘤业务Varian宣布合作,探索把AI辅助计划、患者特异性模拟与实时计算用于自适应放疗。
• 该方向属于“探索与开发”阶段,公开信息中尚未出现临床疗效数据或监管审批结论。

关键事实一览

背景:AI如何走进蛋白质设计

过去五年,蛋白质领域的AI进展大致沿着“预测、设计、规模化”三步推进。

首先是结构预测。DeepMind的AlphaFold2在2021年证明,深度学习可以以接近实验精度预测蛋白质三维结构(Jumper等,Nature,2021)。

其次是生成式设计。华盛顿大学蛋白质设计研究所团队提出的RFdiffusion,将扩散模型引入蛋白质骨架生成,可用于设计结合蛋白、对称组装体和功能位点支架(Watson等,Nature,2023)。配合序列设计工具ProteinMPNN,“先生成骨架、再设计序列”的流程成为主流范式之一(Dauparas等,Science,2022)。随后的RoseTTAFold All-Atom与RFdiffusion All-Atom把建模对象扩展到小分子、金属离子和核酸等非蛋白成分(Krishna等,Science,2024),这也与本次报道中“小分子结合”“DNA结合”两类评估任务相呼应。

再次是规模化。NVIDIA研究团队的Proteina提出了基于流匹配(flow matching)的大规模蛋白质结构生成模型,强调通过扩大模型与数据规模提升生成质量与可控性(Geffner等,ICLR 2025,arXiv:2503.00710)。

从名称看,RFD4-Proteina很可能延续了上述两条技术脉络:一条来自蛋白质设计研究所的RFdiffusion系列,另一条来自NVIDIA的Proteina。需要说明的是,这一判断属于编辑基于命名与已发表工作的推断,公开报道尚未披露其具体架构、训练数据与参数规模。读者应以NVIDIA与研究团队后续发布的技术报告或论文为准。

RFD4-Proteina做了什么

根据NVIDIA的说明,该模型能够依据分子输入、约束条件和评分目标生成有针对性的蛋白质设计,并支持科学家与AI智能体(agent)在此基础上搜索并迭代优化设计。官方列举的潜在应用包括:设计可中断疾病过程的蛋白质,以及设计用于检测疾病迹象的诊断蛋白。

这段描述有三个值得注意的技术信号。

从“一次生成”走向“生成加搜索”。 传统流程里,模型生成候选后,往往要由人工或独立的计算管线做筛选与优化。把搜索能力与生成模型结合,意味着设计目标(如结合亲和力代理指标、结构稳定性评分)可以更直接地回流到生成过程中,类似于在生成空间里做带目标的迭代优化。

面向智能体的接口。 报道特别提到“科学家和智能体”共同使用。当大语言模型智能体可以调用蛋白质设计工具、读取评分结果并自动调整约束时,设计—评估—修改的循环有望被自动化,这也解释了为何Anthropic、OpenAI等大模型厂商出现在分发合作方名单中。

覆盖多种分子相互作用。 蛋白质结合、小分子结合、酶支架、DNA结合,分别对应抗体与结合剂开发、配体识别与传感、催化设计、基因调控与诊断等不同场景。单一模型覆盖这些任务,有利于降低工具切换成本,但也意味着不同任务下的表现需要分别评估。

如何理解“成功率更高”。 报道称成功率是在“计算设计”层面比较的。蛋白质设计领域通常以AlphaFold类模型回折叠的一致性、预测界面质量等指标作为计算筛选标准,而这些指标与真实实验中的表达、折叠、结合活性之间仍可能存在差距。因此,该结果更适合作为“有前景的计算信号”,而非药物或诊断产品已可用的证据。

分发生态:为何合作方名单值得关注

模型同时登陆云平台(亚马逊Bio Discovery、谷歌云、微软Azure、Nebius)、数据与开发平台(Databricks、Hugging Face)、科研软件(Benchling、Tamarind Bio)以及大模型厂商(Anthropic、OpenAI)。这种“开放模型加多渠道分发”的方式,有利于不同规模的研究团队在自己熟悉的环境中调用模型,也为后续社区独立评测提供了基础。对药企与科研机构而言,实际落地时仍需关注数据合规、算力成本和与内部实验流程的衔接。

自适应放疗:NVIDIA与西门子医疗在探索什么

自适应放疗的基本思路,是在疗程中根据患者解剖结构和肿瘤状态的变化,重新调整放疗计划,而不是在整个疗程里沿用同一份计划。这一概念早在1997年就由Yan等人系统提出(Physics in Medicine & Biology),相关临床综述也总结了其在应对解剖变化方面的价值与挑战(Sonke等,Seminars in Radiation Oncology,2019)。

本次合作的目标是以智能体与机器人智能简化工作流程并扩大服务可及性,拟结合的技术包括:

• AI辅助治疗计划: 缩短计划制定与修改所需的时间。
• 患者特异性模拟: 基于个体解剖与病灶状态进行模拟。
• 实时计算: 报道提到将探索NVIDIA CUDA加速的放射剂量计算,以及用Holoscan平台连接实时传感器数据、AI与仿真。
• Nemotron开放基础模型: 帮助肿瘤医生评估并优化个性化治疗方案。

Varian负责人Arthur Kaindl表示,自适应放疗建立在“治疗应当适应患者,而不是患者适应治疗”这一原则之上,并提到公司近期推出了Accela系统,此次合作旨在探索AI与实时计算如何让临床医生更快获得洞察、更有信心地调整治疗。

需要指出,报道使用的是“将探索”“旨在”等表述,说明这仍是合作意向与研发方向。放疗属于高风险医疗场景,任何AI辅助的计划生成或在线自适应功能,进入临床前都需要经过严格的剂量验证、质量保证与相应监管审批。

产业脉络:NVIDIA在生命科学的连续布局

NVIDIA医疗健康负责人David Niewolny在7月接受MobiHealthNews采访时表示,药物发现是当前影响最大的方向之一,过去缺的是算力,如今算力条件已经具备。结合上表可以看到,NVIDIA正在同时从算力底座(AI工厂)、模型层(BioNeMo、RFD4-Proteina、Nemotron)与临床设备生态(放疗)三个层面布局。

timedoo编辑部观点:机遇与边界

机遇。 开放的蛋白质设计模型加上智能体调用,有望降低早期设计阶段的试错成本,让更多中小型研究团队参与分子设计。对诊断领域而言,“设计用于检测疾病迹象的蛋白质”也为新型检测试剂开发提供了新思路。

边界。 第一,计算成功率不等于实验成功率,从设计到成药或成检测产品,还需经历表达纯化、体外活性、动物实验与临床试验等多个阶段。第二,厂商自测结果需要第三方独立复现与公开基准对比。第三,放疗合作处于探索阶段,临床价值取决于后续验证。第四,生成式设计工具同样涉及生物安全与双重用途问题,如何在开放与风险管理之间取得平衡,是行业需要持续讨论的课题。

值得持续跟踪的信号: RFD4-Proteina的技术报告或预印本、独立团队的实验验证结果、基于该模型设计分子的湿实验数据,以及西门子医疗与NVIDIA合作的原型进展与监管路径。

常见问题(FAQ)

问:RFD4-Proteina是什么? 答:它是NVIDIA与华盛顿大学医学院蛋白质设计研究所共同开发的开放蛋白质设计模型,属于NVIDIA BioNeMo平台,结合了可编程的蛋白质设计与搜索能力,可根据分子输入、约束和评分目标生成并优化蛋白质设计。

问:它比现有方法更好吗? 答:据NVIDIA称,在蛋白质结合、小分子结合、酶支架设计和DNA结合任务的测试中,其计算设计成功率高于所评估的基线。但这是厂商陈述的计算层面结果,具体基线与指标细节需等待技术文档,独立验证与实验数据也有待公布。

问:普通研究者可以使用这个模型吗? 答:报道称模型已通过亚马逊Bio Discovery、Anthropic、Benchling、Databricks、谷歌云、Hugging Face、微软Azure、Nebius、OpenAI和Tamarind Bio等合作方提供。具体的使用条件、许可协议和计费方式,请以各平台官方说明为准。

问:“智能体”在蛋白质设计中起什么作用? 答:根据报道,科学家与智能体都可以利用该模型,基于分子输入、约束和评分目标搜索并改进设计。直观地说,智能体可以自动完成“提出设计、调用评分、调整条件、再次生成”的循环,减少人工重复操作。

问:这是否意味着AI设计的药物或诊断产品很快上市? 答:不能这样推断。当前信息仅涉及设计模型的发布及其计算评估,尚未涉及具体候选药物或获批产品。从计算设计到临床应用通常需要数年的实验与监管流程。

问:什么是自适应放疗?NVIDIA与西门子医疗要做什么? 答:自适应放疗是在治疗过程中根据患者身体与肿瘤的变化动态调整放疗计划的方法。双方将探索借助AI辅助计划、患者特异性模拟与实时计算,并结合Nemotron模型、CUDA加速剂量计算和Holoscan平台,以简化流程并扩大个性化肿瘤治疗的可及性。

问:这项合作已经可以在医院使用了吗? 答:没有相关公开信息表明已进入临床使用。报道的措辞为“将开发”“将探索”,意味着仍处于研发与探索阶段。

问:这些进展对患者意味着什么? 答:短期内主要影响的是研发效率与工具生态,患者层面的受益取决于后续药物研发和临床验证的成果。本文不构成任何医疗建议,具体诊疗请咨询执业医生。

参考资料

新闻与厂商信息:

1. Hagen J. NVIDIA unveils partnerships to expand healthcare AI, protein design tools. MobiHealthNews (HIMSS Media). https://www.mobihealthnews.com/news/nvidia-unveils-partnerships-expand-healthcare-ai-protein-design-tools

同行评议论文与预印本:

2. Watson JL, Juergens D, Bennett NR, et al. De novo design of protein structure and function with RFdiffusion. Nature. 2023;620:1089–1100. doi:10.1038/s41586-023-06415-8
3. Dauparas J, Anishchenko I, Bennett N, et al. Robust deep learning–based protein sequence design using ProteinMPNN. Science. 2022;378(6615):49–56. doi:10.1126/science.add2187
4. Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold. Nature. 2021;596:583–589. doi:10.1038/s41586-021-03819-2
5. Krishna R, Wang J, Ahern W, et al. Generalized biomolecular modeling and design with RoseTTAFold All-Atom. Science. 2024;384(6693):eadl2528. doi:10.1126/science.adl2528
6. Geffner T, Didi K, Zhang Z, et al. Proteina: Scaling flow-based protein structure generative models. ICLR 2025; arXiv:2503.00710.
7. Yan D, Vicini F, Wong J, Martinez A. Adaptive radiation therapy. Physics in Medicine & Biology. 1997;42(1):123–132. doi:10.1088/0031-9155/42/1/008
8. Sonke JJ, Aznar M, Rasch C. Adaptive radiotherapy for anatomical changes. Seminars in Radiation Oncology. 2019;29(3):245–257. doi:10.1016/j.semradonc.2019.02.007

编辑：周衡

来源：NVIDIA

关于本文

撰稿与审校: timedoo医疗编辑部。本文事实部分基于上述公开报道与论文整理,标注为“据NVIDIA称”或“编辑推断”的内容,分别代表厂商陈述与编辑解读。我们会在RFD4-Proteina技术文档与独立评测发布后持续更新。

免责声明: 本文仅用于医疗科技信息交流,不构成医疗、投资或购买建议。涉及诊疗决策,请咨询具备资质的医疗专业人员。