こんにちは！ABEJA で ABEJA Platform 開発や AI 関連の研究開発業務を行っている坂井（@Yagami360）です。
こちらはABEJAアドベントカレンダー2025の25日目の記事です。
近年のディープラーニングの発展に伴い、マテリアル・創薬・医療分野においても AI の活用が進みつつあるかと思いますが、その市場規模はかなり大きく、どのようなモデルや技術が使用されているのか？とか将来性はどうなのか？とか個人的に興味がありました。
とはいえ自分は、マテリアル・創薬・医療系のドメイン知識に関して素人なので、できるだけさくっと動かせるモデルやフレームワークで試してみたかったのですが、LLM とかと違ってこの分野では簡単に動かせるフレームワークやプラットフォームがそんなに整備されていない印象でした。そんな中で NVIDIA が提供している「NVIDIA Clara」と呼ばれる医療系の AI プラットフォームが、比較的簡単に動かせそうだったので、軽く動かしてみました
NVIDIA Clara の公式ドキュメントは、以下のリンク先にあります。
- NVIDIA Clara の概要
- NVIDIA Clara for Medical Imaging（AI 医療用画像診断）
- NVIDIA Clara for Biopharma（AI 創薬）
- まとめ
- We Are Hiring!
NVIDIA Clara の概要
NVIDIA Clara は、NVIDIA が提供している医療系の AI プラットフォームで、 現時点で以下の分野のための機能群を提供しているようです。
NVIDIA Clara for Biopharma（AI 創薬）
AI 創薬のためのプラットフォームである BioNeMo フレームワークを提供。BioNeMo フレームワークには、AI創薬のための事前学習済みモデル群も含まれます
NVIDIA Clara for Medical Devices / NVIDIA Holoscan
医療機器データ（内視鏡動画、超音波などの医療センサーデータなど）のストリーミングに対してAIモデル推論によるリアルタイム解析を行うためのハイブリッド環境用（エッジ AI デバイス・オンプレ環境・クラウド環境）プラットフォームで、NVIDIA Holoscan として提供されています。
NVIDIA Clara for Medical Imaging（AI 医療用画像診断）/ NVIDIA MONAI Toolkit
NVIDIA Clara for Medical Imaging は、医療用画像（レントゲン画像、CT画像など）x AI（AIモデルによる画像セグメンテーションや画像生成など）にターゲットを絞った NVIDIA Clara の機能で、NVIDIA MONAI Toolkit として提供されています。
NVIDIA Clara for Genomics（AI ゲノム解析）/ NVIDIA Parabricks
次世代シーケンシング（NGS）による膨大なゲノムデータの解析を、GPU を使って劇的に高速化するためのプラットフォーム
ゲノム解析における二次解析と呼ばれる工程では、細かく断片化された数億個のデータ（リード）をパズルのように正しい位置に並べ直す作業（アライメント）が発生するそうですが、これは行列とベクトル演算といった並列処理になるので、GPU で劇的な高速化ができるようです。 （余談ですが、GPUは、元々３Dゲームにおける行列とベクトル演算の高速化で使用されていましたが、AIモデルでも同じくDNN 内で行列とベクトル演算してるだけなので GPU で高速化できるんじゃんてなったのと同じ流れですね）
今回の記事では、最も簡単に動かせそうだった「NVIDIA Clara for Medical Imaging」と、個人的にAI 創薬の雰囲気だけでも知っておきたかったので 「NVIDIA Clara for Biopharma」も動かしてみます
NVIDIA Clara for Medical Imaging（AI 医療用画像診断）
NVIDIA Clara for Medical Imaging の概要
NVIDIA Clara for Medical Imaging は、医療用画像（レントゲン画像、CT画像など）x AI にターゲットを絞った NVIDIA Clara の機能で、以下の主要コンポーネントで構成されるようです
NVIDIA MONAI [Medical Open Network for AI] Toolkit
医療用画像（レントゲン画像、CT画像など）の AI プロダクト開発・モデル学習・デプロイのためのフレームワークです
- サポートしているモデル例
VISTA-3D
CT画像における内臓領域のセグメンテーション用モデル
MAISI [Medical AI for Synthetic Imaging]
3D CT 画像の生成モデルで、拡散モデルをベースとしている。用途しては、学習用データセットのデータ拡張での利用（合成データ）など
- サポートしているモデル例
NVIDIA FLARE との連携
NVIDIA FLARE は、連合学習 [Federated Learning] のためのフレームワークです。 連合学習というのは分散学習の１種なのですが、複数の組織に属する開発者が学習用データセットなどを共有せずに協力してAIモデルを分散学習する方法のことです。
プライバシー保護などのセキュリティ上の理由から、異なる組織に学習用データセットなどのデータ共有ができないケースに有用になります。 NVIDIA FLARE 自体は、NVIDIA Clara の医療用とは別のフレームワークになるのですが、MONAI Toolkit と連携することで、医療機関におけるデータ保護などのセキュリティ上の問題をクリアしつつモデルの学習を行うことができます。
blueprint でのデモサイトが公開されているので、以下のサイトから試してみるとイメージしやすいかと思います
VISTA-3D（CT画像における内臓領域のセグメンテーション用モデル）のデモ
MAISI（CT画像の生成モデル）のデモ
MONAI Toolkit を起動する
それでは実際に、NVIDIA Clara for Medical Imaging での AI モデルを動かしていきます。まずは、MONAI Toolkit を起動することから始めていきます。
MONAI Toolkit は、NVIDIA が NGC 上に公開している MONAI Toolkit 用 docker image のコンテナで動かす形になります。
GPU インスタンスを構築する
今回は少し動かしてみるだけだったので GCP の VMインスタンス（T4：１台）で環境構築しました。
本格的な学習を行う場合は、クラウドで動かすとインフラコストが膨大になるので、オンプレ環境で動かすことを推奨します。
公式のシステム要件は、以下に記載されています。
記載されているスペックは A100, H100 とかの高価な GPU ですが、今回動かしてみるモデル（VISTA-3D）は、生成 AI モデルのような大規模モデルではなくただの画像セグメンテーションモデルなので、T4 でも動かせました。
NVIDIA の NGC にログインして SetUp 画面から API キーを作成する
NVIDIA NGC Container Register にログインする
docker login nvcr.io- ユーザー名: $oauthtoken
- パスワード: 上記作成した API トークン
MONAI Toolkit の Docker image を pull する
以下のコマンドで NVIDIA NGC Container Register から MONAI Toolkit の Docker image を pull してください
docker pull nvcr.io/nvidia/clara/monai-toolkit:3.0MONAI Toolkit の Docker コンテナを起動する
JupyterLab で起動する場合
今回は、JupyterLab 上のコードを使用するので、以下のコマンドで JupyterLab のコンテナを起動してださい
docker run --gpus all -it --rm \ --ipc=host --net=host \ nvcr.io/nvidia/clara/monai-toolkit:3.0デフォルトで
8888ポートが接続ポートとして使用されます。変更したい場合は-e JUPYTER_PORT=8900のように args を指定してください[Option] bash で起動する場合
なお自作したスクリプト等を MONAI Toolkit 環境で動かしたい場合は、コンテナを bash 起動した上でスクリプトを実行してください
docker run --gpus all -it --rm \ --ipc=host --net=host \ nvcr.io/nvidia/clara/monai-toolkit:3.0 /bin/bash
ブラウザ上で JupyterLab を開く
上記コマンド実行後に以下のようなログが出力されるので、ログ中の
http://localhost:8888/lab?token=dummyをブラウザで開きますWelcome to MONAI Toolkit MONAI toolkit components: MONAI Core, Version: 1.4.0 MONAI Label, Version: 0.8.4 NVFlare, Version: 2.5.0 Jupyter Port is set to: 8888 checking port 8888 availability [I 2025-12-22 06:19:05.734 ServerApp] jupyter_lsp | extension was successfully linked. [I 2025-12-22 06:19:05.739 ServerApp] jupyter_server_terminals | extension was successfully linked. ... [I 2025-12-22 06:19:07.563 ServerApp] Jupyter Server 2.14.2 is running at: [I 2025-12-22 06:19:07.563 ServerApp] http://localhost:8888/lab?token=dummy [I 2025-12-22 06:19:07.563 ServerApp] http://127.0.0.1:8888/lab?token=dummy [I 2025-12-22 06:19:07.563 ServerApp] Use Control-C to stop this server and shut down all kernels (twice to skip confirmation). [C 2025-12-22 06:19:07.568 ServerApp] To access the server, open this file in a browser: file:///root/.local/share/jupyter/runtime/jpserver-29-open.html Or copy and paste one of these URLs: http://localhost:8888/lab?token=dummy http://127.0.0.1:8888/lab?token=dummyJupyterLab 上で
welcome.md等の内容に従って処理を行う
ブラウザ接続に成功すると、上のような JupyterLab でのページが表示されるので、このチュートリアルに従って各種 AI モデルを動かしていきます
内臓セグメンテーション用モデル（VISTA-3D）のファインチューニングを行う
CT画像セグメンテーション用モデル（VISTA-3D）のチュートリアルコード http://localhost:8888/lab/tree/tutorials/monai/vista_3d/vista3d_spleen_finetune.ipynb の学習部分に従って、学習を行います。
JupyterLab で動かしているので、UI 上から Run ボタン ▶️ をポチポチするだけで良いです。
使用モデル
VISTA-3D：CT画像セグメンテーション用モデルで、120以上の主要臓器クラスをセグメンテーション可能なモデルです
学習用データセット
以下で公開されているデータセットで、腹部断面のCT画像と正解ラベル（黄色の領域：脾臓として正しくラベル付けされた領域）を含むデータセットになります。
このデータセットで VISTA-3D をファインチューニングします。
msd-for-monai.s3-us-west-2.amazonaws.com
- 画像解像度：239 x 239
- 枚数: 150枚
- かなり少ないが、ファインチューニングなので問題なし（本当はもっと多いほうが良い）
学習設定
- エポック数：5 epoch
- かなり少ない気がしますが、チュートリアルのまま 5 epoch とします
- 使用 GPU メモリ:
- 8 ~ 9GB 程度なので、T4でも動かせました
- エポック数：5 epoch
loss 値のグラフ
今回はチュートリアルと同じ設定で学習しましたが、epoch 5 ではまだ十分に loss が収束してないので、もっと Epoch 数増やしたほうが良さそうです
ファインチューニングした内臓セグメンテーション用モデル（VISTA-3D）で推論し、CT画像における特定の内臓領域をアノテーションする
同じくCT画像セグメンテーション用モデル（VISTA-3D）のチュートリアルコード http://localhost:8888/lab/tree/tutorials/monai/vista_3d/vista3d_spleen_finetune.ipynb の推論部分に従って、上記ファインチューニングしたモデル（VISTA-3D）で推論を行い、CT画像における特定の内臓領域をアノテーションします。
推論結果例は、以下の通りです。
腹部断面のCT画像（テスト用データを使用）から脾臓部分をうまくアノテーション（セグメンテーション）できていることがわかるかと思います
NVIDIA Clara for Biopharma（AI 創薬）
NVIDIA Clara for Biopharma / BioNeMo の概要
NVIDIA Clara for Biopharma は、NVIDIA Clara における AI 創薬のための機能です。BioNeMo と呼ばれるフレームワークと AI 創薬のための事前学習済みモデル群で構成されます
以下で blueprint でのデモが公開されているので、こちらを試してみるとイメージが掴みやすいと思います。
RFdiffusion
- 拡散モデルベースのモデルで、ノイズ入力から徐々にタンパク質構造を生成
入力
- 標的となるタンパク質の構造データ
- 生成するタンパク質の長さや、標的タンパク質のどの範囲を固定するかを指定するパラメータ
- ノイズ入力
- 出力
- タンパク質の３D構造の原型を PDB [Protein Data Bank] 形式で出力
- この段階ではアミノ酸の種類は決まっておらず、グリシン（GLY）だけで構成されるいった原型だけのモデルが出力
- タンパク質の３D構造の原型を PDB [Protein Data Bank] 形式で出力
ProteinMPNN
- グラフ畳み込み（GNN）ベースのモデルで、タンパク質の３D構造からアミノ酸配列に逆変換するモデル
入力
- RFdiffusion で予想したタンパク質の3D構造
- 出力
- 入力されたタンパク質の3D構造に折りたたまる可能性が高いアミノ酸配列
- 信頼度やスコア
AlphaFold2 (OpenFold)
- Transformer ベースのモデルで、タンパク質の3次元構造を非常に高い精度で予測するAIモデル
入力
- ProteinMPNN で予想したアミノ酸配列
- 既存の構造データ（例：ACE2）を参照用として使用
- 出力
- 最終的なタンパク質の3D構造を PDB [Protein Data Bank] 形式で出力
- 信頼度スコア
最終出力
json データ例
{ "result": { "alphafold2": { "all_predicted_pdbs": [ "ATOM 1 N SER A 19 96.155 70.201 45.493 1.00100.66 N \nATOM 2 CA SER A 19 94.696 70.434 45.702 1.00101.02 C \nATOM 3 C SER A 19 93.987 69.087 45.880 1.00100.43 C \nATOM 4 O SER A 19 94.494 68.054 45.439 1.00 99.56 O \nATOM 5 CB SER A 19 94.116 71.194 44.499 1.00102.01 C \nATOM 6 OG SER A 19 92.778 71.609 44.730 1.00102.75 O \nATOM 7 N THR A 20 92.825 69.102 46.535 1.00100.27 N \nATOM 8 CA THR A 20 92.051 67.879 46.776 1.00 99.38 C \nATOM 9 C THR A 20 91.073 67.584 45.641 1.00 98.31 C \nATOM 10 O THR A 20 90.444 68.499 45.100 1.00 98.40 O \nATOM 11 CB THR A 20 91.236 67.973 48.092 1.00 98.99 C \nATOM 12 OG1 THR A 20 92.126 68.161 49.199 1.00100.97 O \nATOM 13 CG2 THR A 20 90.435 66.697 48.320 1.00 98.68 C \nATOM 14 N ILE A 21 90.946 66.305 45.289 1.00 97.23 N \nATOM 15 CA ILE A 21 90.028 65.874 44.232 1.00 96.91 C \nATOM 16 C ILE A 21 88.577 66.107 44.659 1.00 95.29 C \nATOM 17 O ILE A 21 87.687 65.320 44.350 1.00 95.10 O \nATOM 18 CB ILE A 21 90.209 64.370 43.890 1.00 97.49 C \nATOM 19 CG1 ILE A 21 89.957 63.500 45.130 1.00 98.25 ... }, "proteinmpnn": { "mfasta": ">input, score=3.0430, global_score=2.2795, fixed_chains=['B'], designed_chains=['A'], CA_model_name=v_48_002, git_hash=unknown, seed=667\nGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGGG\n>T=0.1, sample=1, score=1.3999, global_score=1.9260, seq_recovery=0.0469\nGPEEEEKKREIEALVAEMAKQFEEVKPLIELLEELKKKIGEGEKEAEKELKKKIEEEEKRKEEA\n", "scores": [ 1.3998868465423584 ], "probabilities": [ [ [ 2.9388796951579366e-10, 6.684248006694004e-19, 3.878053780881352e-11, 1.8682724638174886e-12, 2.496218801052632e-15, 0.9949813485145569, 8.619456505049819e-16, 2.2613524466467754e-15, 2.8787888739501e-10, 1.5028966569505253e-12, 0.004999660421162844, 5.45019411546388e-12, 1.129599669011383e-12, 4.379279345433822e-15, 8.465267549440103e-12, 0.000018977581930812448, 2.3997567821787413e-10, 3.865102394363202e-15, 1.6532286080523171e-18, 6.183128094975089e-17, 0 ], [ 0.00005282574420562014, 7.163673617923613e-18, ... ] ], "rfdiffusion": { "output_pdb": "ATOM 1 N GLY A 1 -41.231 -9.202 10.946 1.00 0.00\nATOM 2 CA GLY A 1 -40.410 -8.027 11.210 1.00 0.00\nATOM 3 C GLY A 1 -39.456 -8.271 12.373 1.00 0.00\nATOM 4 O GLY A 1 -38.329 -7.777 12.377 1.00 0.00\nATOM 5 N GLY A 2 -39.762 -9.223 13.182 1.00 0.00\nATOM 6 CA GLY A 2 -38.935 -9.554 14.336 1.00 0.00\nATOM 7 C GLY A 2 -37.653 -10.259 13.912 1.00 0.00\nATOM 8 O GLY A 2 -36.582 -10.007 14.465 1.00 0.00\nATOM 9 N GLY A 3 -37.722 -11.118 12.941 1.00 0.00\nATOM 10 CA GLY A 3 -36.533 -11.809 12.458 1.00 0.00\nATOM 11 C GLY A 3 -35.546 -10.833 11.830 1.00 0.00\nATOM 12 O GLY A 3 -34.337 -10.939 12.036 1.00 0.00\nATOM 13 N GLY A 4 -36.039 -9.888 11.050 1.00 0.00\nATOM 14 CA GLY A 4 }, ... }上記 json データを 3D レンダリングした結果
上記のモデル群を以下の手順でパイプライン的に推論することで、タンパク質の３D構造を出力することができます
- RFdiffusion：:こういう機能に最適なタンパク質３D構造の原型をゼロ（ノイズ）から生成
- ProteinMPNN：上記生成されたタンパク質構造を安定させるためのアミノ酸配列を予想
- AlphaFold2：ProteinMPNN が予想したアミノ酸配列が、本当に意図したタンパク質構造に折りたたまれるかを検証
BioNeMo Framework を起動する
それでは実際に、NVIDIA Clara for Biopharma での AI モデルを動かしていきます。まずは、BioNeMo Framework を起動することから始めていきます。
BioNeMo Framework は、NVIDIA が NGC 上に公開している BioNeMo Framework 用 docker image のコンテナで動かす形になります。
GPU インスタンスを構築する
GCP の VMインスタンス（A100：１台）で環境構築しました。GPU メモリ的には、V100 でも問題なさそうでしたが、自分の環境では V100 だと以下のエラーが発生したので A100 にしました
[rank0]: RuntimeError: CUDA error: no kernel image is available for execution on the device今回は少し動かしてみるだけだったのでクラウド環境で環境構築しましたが、本格的な学習を行う場合は、クラウドで動かすとインフラコストが膨大になるので、オンプレ環境で動かすことを推奨します。
NVIDIA の NGC にログインして SetUp 画面から API キーを作成する
GPU-optimized AI, Machine Learning, & HPC Software | NVIDIA NGC
NVIDIA NGC Container Register にログインする
docker login nvcr.io- ユーザー名: $oauthtoken
- パスワード: 上記作成した API トークン
BioNeMo Framework 用の docker image を pull する
docker pull nvcr.io/nvidia/clara/bionemo-framework:2.7各種環境変数を設定する
export WANDB_API_KEY='dummy' # wandb の API キー ....env ファイルで定義するのでも OK です
BioNeMo Framework の docker コンテナへの接続を行う
mkdir -p results docker run --rm -it --gpus all \ --network host \ --shm-size=4g \ -e WANDB_API_KEY \ -v ${PWD}/results:/workspace/bionemo2/results \ nvcr.io/nvidia/clara/bionemo-framework:2.7 \ /bin/bashhttps://github.com/NVIDIA/bionemo-framework レポジトリのコードが存在するコンテナになっており、今回の記事ではこのレポジトリのコードを動かすことになります。
root@011d2a38b429:/workspace/bionemo2# ls -al total 40 drwxrwxrwx 1 root root 4096 Sep 30 02:17 . drwxrwxrwx 1 root root 4096 Sep 26 10:03 .. drwxrwxrwx 1 root root 4096 Sep 30 02:17 .cache drwxrwxrwx 1 root root 4096 Sep 26 19:23 LICENSE -rwxrwxrwx 1 root root 6358 Sep 30 02:13 README.md -rwxrwxrwx 1 root root 7 Sep 30 02:13 VERSION drwxrwxrwx 1 root root 4096 Sep 30 02:17 ci drwxrwxrwx 1 root root 4096 Sep 30 02:13 docs drwxrwxrwx 1 root root 4096 Sep 30 02:13 sub-packagesroot@011d2a38b429:/workspace/bionemo2# cd .. root@011d2a38b429:/workspace# ls -al total 28 drwxrwxrwx 1 root root 4096 Sep 26 10:03 . drwxr-xr-x 1 root root 4096 Nov 6 08:31 .. -rw-rw-rw- 1 root root 2048 Jun 12 15:29 README.md drwxrwxrwx 1 root root 4096 Sep 30 02:17 bionemo2 drwxrwxrwx 1 root root 4096 Jun 12 15:29 docker-examples -rw-rw-rw- 1 root root 467 Jun 12 06:42 license.txt drwxrwxrwx 1 root root 4096 Jun 12 15:33 tutorials
BioNeMo Framework を使用してタンパク質言語モデル（ESM-2）の学習を行う
では次に、タンパク質言語モデル（pLM: Protein Language Model）の１つである ESM-2 の学習を行う方法を紹介します。
タンパク質言語モデルとは、タンパク質のアミノ酸配列（20種類のアミノ酸：A, C, D, E...）を言語として捉え、そのアミノ酸配列の並びを学習することで、タンパク質の3次元構造予測のための特徴量（埋め込みベクトル）を出力できるようにした LLM です。
タンパク質は、20種類のアミノ酸の組み合わせで構成されますが、20種類のアミノ酸の組み合わせ数は天文学的数になります。またタンパク質の3D構造が薬の作用にとって重要になるので、AI モデルによってタンパク質の３D構造を予想することは創薬において有益になります。
BioNeMo Framework の docker コンテナへの接続後、コンテナ内にて以下の train_esm2 コマンドを実行してください
# wandb 上で loss 値を確認したい場合 wandb login # ESM-2 用の環境変数 export MY_DATA_SOURCE="ngc" # The fastest transformer engine environment variables in testing were the following two TEST_DATA_DIR=$(download_bionemo_data esm2/testdata_esm2_pretrain:2.0 --source $MY_DATA_SOURCE); \ ESM2_650M_CKPT=$(download_bionemo_data esm2/650m:2.0 --source $MY_DATA_SOURCE); \ train_esm2 \ --train-cluster-path ${TEST_DATA_DIR}/2024_03_sanity/train_clusters_sanity.parquet \ --train-database-path ${TEST_DATA_DIR}/2024_03_sanity/train_sanity.db \ --valid-cluster-path ${TEST_DATA_DIR}/2024_03_sanity/valid_clusters.parquet \ --valid-database-path ${TEST_DATA_DIR}/2024_03_sanity/validation.db \ --result-dir ./results \ --experiment-name exper_esm2_20251107 \ --wandb-project ai-material-exercises \ --num-gpus 1 \ --num-nodes 1 \ --val-check-interval 100 \ --num-dataset-workers 4 \ --num-steps 1000 \ --max-seq-length 1024 \ --limit-val-batches 4 \ --micro-batch-size 4 \ --restore-from-checkpoint-path ${ESM2_650M_CKPT}
使用 GPU メモリ
20 GB 程度（バッチサイズ: 4の場合）
train_esm2 --helpコマンドで各種引数の意味を確認可能train_esm2コマンドの実装は、https://github.com/NVIDIA/bionemo-framework/blob/main/sub-packages/bionemo-esm2/src/bionemo/esm2/scripts/train_esm2.py に存在します
loss 値のグラフ（--num-steps 1000 の場合）は、以下のようになりました
学習完了後、results ディレクトリ以下に、学習済みチェックポイント等が保存されます
BioNeMo Framework を使用してタンパク質言語モデル（ESM-2）の推論を行う
次に、ESM-2 で推論する方法を紹介します
ESM-2 の学習済みチェックポイントをダウンロードします
今回は上記工程で学習した ESM-2 ではなく、以下のスクリプトでダウンロードした学習済み ESM-2 モデルで推論します
from bionemo.core.data.load import load checkpoint_path = load("esm2/650m:2.0") print("checkpoint_path: ", checkpoint_path)推論時に入力する以下のようなアミノ酸配列（タンパク質一次構造）データのファイル（
sequences.csv）を作成しますsequences TLILGWSDKLGSLLNQLAIANESLGGGTIAVMAERDKEDMELDIGKMEFDFKGTSVI LYSGDHSTQGARFLRDLAENTGRAEYELLSLF GRFNVWLGGNESKIRQVLKAVKEIGVSPTLFAVYEKN DELTALGGLLHDIGKPVQRAGLYSGDHSTQGARFLRDLAENTGRAEYELLSLF KLGSLLNQLAIANESLGGGTIAVMAERDKEDMELDIGKMEFDFKGTSVI LFGAIGNAISAIHGQSAVEELVDAFVGGARISSAFPYSGDTYYLPKP LGGLLHDIGKPVQRAGLYSGDHSTQGARFLRDLAENTGRAEYELLSLF LYSGDHSTQGARFLRDLAENTGRAEYELLSLF ISAIHGQSAVEELVDAFVGGARISSAFPYSGDTYYLPKP SGSKASSDSQDANQCCTSCEDNAPATSYCVECSEPLCETCVEAHQRVKYTKDHTVRSTGPAKTESM-2 での推論を行う
BioNeMo Framework の docker コンテナへの接続後、コンテナ内にて以下の
infer_esm2コマンドを実行してくださいinfer_esm2 \ --checkpoint-path /root/.cache/bionemo/0798767e843e3d54315aef91934d28ae7d8e93c2849d5fcfbdf5fac242013997-esm2_650M_nemo2.tar.gz.untar \ --data-path ./datasets/sequences.csv \ --results-path ./results \ --micro-batch-size 3 \ --num-gpus 1 \ --precision "bf16-mixed" \ --include-hiddens \ --include-embeddings \ --include-logits \ --include-input-ids... LOCAL_RANK: 0 - CUDA_VISIBLE_DEVICES: [0] [NeMo W 2025-11-07 07:50:52 nemo_logging:405] Could not copy Trainer's 'max_steps' to LR scheduler's 'max_steps'. If you are not using an LR scheduler, this warning can safely be ignored. [NeMo I 2025-11-07 07:50:52 nemo_logging:393] > number of parameters on (tensor, pipeline) model parallel rank (0 ,0): 651164288 [NeMo I 2025-11-07 07:51:01 nemo_logging:393] Inference predictions are stored in results/predictions__rank_0__dp_rank_0.pt dict_keys(['token_logits', 'binary_logits', 'hidden_states', 'embeddings'])推論結果は、
--results-pathで指定したディレクトリ以下に保存されます。root@sakai-gpu-dev:/workspace/bionemo2# cd results/ root@sakai-gpu-dev:/workspace/bionemo2/results# ls -al total 28196 drwxr-xr-x 2 1005 1006 4096 Nov 7 07:51 . drwxrwxrwx 1 root root 4096 Nov 7 07:50 .. -rw-r--r-- 1 root root 28863920 Nov 7 07:51 predictions__rank_0__dp_rank_0.pt推論時の出力データを確認する
上記推論後に出力される
predictions__rank_0__dp_rank_0.pt内に、dict_keys(['token_logits', 'binary_logits', 'hidden_states', 'embeddings'])の形式で各推論データが存在しますtoken_logits torch.Size([1024, 10, 128]) # トークンの予測スコア（配列長, バッチ, 隠れ層） hidden_states torch.Size([10, 1024, 1280]) # 内部特徴量（バッチ, 配列長, 埋め込み次元） input_ids torch.Size([10, 1024]) # 入力トークンID（バッチ, 配列長） embeddings torch.Size([10, 1280]) # 配列全体の埋め込みベクトル（バッチ, 埋め込み次元）token_logitsは、トークンの予測スコアで、最後の次元の 128 内の最初の33位置がアミノ酸語彙に対応し、その後に95個のパディングが続きます。また
hidden_states,embeddingsが、タンパク質言語モデルが出力するタンパク質の3次元構造予測のための特徴量（埋め込みベクトル）になり、この特徴量を別の構造予測モデル（ESMFold など）に渡して、３D構造を推定することになります。
まとめ
今回は初めて AI x 医療の分野のモデルやフレームワークについて軽く調べてみました。
AI モデルによる医療用画像診断や創薬の雰囲気だけも掴むことで、技術の方向性や将来性への解像度が少し上げられて良かったです
We Are Hiring!
ABEJAは、テクノロジーの社会実装に取り組んでいます。 技術はもちろん、技術をどのようにして社会やビジネスに組み込んでいくかを考えるのが好きな方は、下記採用ページからエントリーください！ （新卒の方やインターンシップのエントリーもお待ちしております！） careers.abejainc.com
特に下記ポジションの募集を強化しています！ぜひ御覧ください！
