30秒サマリー
- NVIDIAがBioNeMo Agent Toolkitを中心に、創薬向けタンパク質共折り畳みパイプライン全工程を大幅に高速化
- MSA生成で最大177倍、推論で最大4倍の高速化を実現し、単一GPUの制約を超える3.2万トークン規模の複合体予測が可能に
- バーチャルスクリーニングやリボソーム規模の巨大分子複合体解析など、従来は計算コスト上困難だった用途が現実的になる
何が起きたか
NVIDIAは2026年7月10日、タンパク質構造予測・共折り畳み（co-folding）ワークフローを端から端まで加速する一連のツールを「BioNeMo Agent Toolkit」として統合したことをNVIDIA Technical Blogで発表した。対象は創薬・タンパク質設計で主流となっているOpenFold3などのモデルを用いたパイプラインで、各工程に専用のGPU最適化が施されている。
第一の工程であるMSA（多重配列アラインメント）生成には「MMseqs2-GPU」を採用。NatureMethodsに掲載された論文によれば、単一のL40S GPU上でCPUベースのJackHMMERと比較して最大177倍の高速化を達成したとされ、H100およびB300 GPUで1万トークン超までほぼ線形にスケールすることが確認されている。
推論工程では、幾何学的深層学習ライブラリ「cuEquivariance」がTriangle AttentionなどのコアカーネルをB300上で最大約3倍高速化する。さらにOpenFold3 NIMの追加最適化を加えると、H100で3倍超、B300で4倍超の高速化となり、単一B300上で最大約6,400トークンの配列を処理できる。PyTorchのオープンソース実装では約1,500〜2,500トークンでメモリ不足になることと対比される。
単一GPU限界を超えるマルチGPU分散推論には「Fold-CP」が導入された。GPUあたりのメモリ要求をO(N²/P)に抑える文脈並列化により、64台のB300 GPU上でBoltz-2モデルを用いて32,000トークンの予測を実現したと報告されている。これは単一GPU限界の約12倍に相当するとNVIDIAは説明している。
原典ハイライト
原文では「リボソームや大型シグナル複合体のような構造的に扱い困難だった系が、B300とFold-CPの組み合わせによってマルチGPUノード上で現実的になる」と明示されており、スループット向上にとどまらず「構造生物学が計算で問える問いの質的な転換」と位置づけられている。cuEquivariance、OpenFold3 NIM、MMseqs2-GPUの改良はOpenFold2・RosettaFold3・Boltz・Protenixなど主要OSS創薬モデルへ上流還元済みであることも強調されている。
出典: NVIDIA Technical Blog（公式ブログ）
So What?（なぜ重要か）
創薬の構造ベース仮想スクリーニングでは、これまで高コストゆえに開発後期にしか適用できなかった共折り畳みモデルが、より大規模な化合物ライブラリに対して早期段階から適用できるようになる。リボソームやスプライソソーム規模の巨大複合体の構造予測が現実的なコストで実行可能になることで、これまで計算上「手が届かなかった」疾患標的へのアプローチが開かれる。AI型のアジェンティックワークフローとAPIで各工程がつながるため、研究者は個々のGPU最適化を意識せずに高速パイプラインを利用できる点も重要。
日本企業への示唆
国内の製薬企業・バイオベンチャーが自社の創薬パイプラインを評価する際、GPU投資対効果の試算を見直す好機だ。特に仮想スクリーニングにおいて共折り畳みモデルの適用ステージを前倒しできれば、候補化合物の質と多様性を早期に高め、後工程のコスト削減につながる可能性がある。Fold-CPはGitHub上で公開されており、BioNeMo Agent ToolkitのNIMエンドポイントはbuild.nvidia.comでAPIキー取得後すぐに試用できるため、まず小規模なPoC（概念実証）から始めるハードルは低い。自社にGPUクラスターを持たない場合は、自己ホスト型NIMのコンテナ展開よりもホスト型APIからの評価が現実的な入口となる。
背景・経緯
タンパク質・複合体の構造予測はAlphaFold系モデルの普及以降、創薬の中核ワークフローとなっている。しかしMSA生成がCPUボトルネックになること、推論の計算量が残基数の3乗に比例して増大すること、単一GPUメモリの上限が大規模複合体の予測を阻むことが実用上の制約として残ってきた。NVIDIAはこれらの課題をGPUアーキテクチャ（HopperおよびBlackwell）への最適化と分散並列化で解消するアプローチをBioNeMo Toolkitとして体系化した。
