NVIDIA BioNeMo（Hub Repo）完整教學

一句話定位：NVIDIA 在 BioPharma 領域的官方 Developer Asset Hub — 不是程式庫、不是模型、不是框架，而是一份集中索引 README，把散落在 NVIDIA-Digital-Bio / NVIDIA/bionemo-framework / clara-parabricks-workflows / NVlabs / build.nvidia.com 的 5 大支柱（資料 / 模型 / 函式庫 / 訓練 / NIM 推論） 串成一條可導覽的入口路徑。

適合：藥物開發工程師、bioinformatics 分析師、CADD（電腦輔助藥物設計）團隊、計算生物學家、BioPharma 公司 IT 平台 / MLOps 團隊；準備在 NVIDIA GPU 平台或 NVIDIA DGX Cloud 上跑生成式 AI 藥物探索流程的所有人。

不適合：完全沒接觸過生物製藥的開發者（建議先補完蛋白質結構 / 小分子化學基礎）；只想用一個小模型的人（直接看 NVIDIA-Digital-Bio/<model> 即可，不需經本 hub）。

⚠️ 重要法律提醒：repo README 明確分割三套授權 — 程式碼 Apache 2.0、資料 CC BY 4.0、模型權重 NVIDIA Open Model License (NOML)。NOML 與 Apache-2.0 商用條件不同；商用前須個別檢查每個模型權重的授權。部分 NVIDIA-Digital-Bio 模型額外掛 research-use only。

目錄

1. 專案定位
2. 安裝指南
3. 核心架構解析
4. Helper Scripts 詳細用法
5. 應用場景：5 條典型藥物開發流程
6. 資安掃描報告
7. FAQ
8. 進階技巧
9. 整合進其他工作流
10. 重點摘要 Checklist
11. 進一步閱讀

1. 專案定位

1.1 這是什麼

NVIDIA/BioNeMo 是 NVIDIA 對外打包的 BioNeMo 平台中央索引 repo。它的物理檔案只有一份 README.md（147 行）— 但這份 README 的角色不是「一個 repo 的說明」，而是整個 BioPharma 開發者資產的入口地圖：

 1┌──────────────────────────────────────────────────────────────┐
 2│ NVIDIA BioNeMo Developer Platform Hub                        │
 3├──────────────────────────────────────────────────────────────┤
 4│ (1) Data           → AlphaFold DB / NGC 蛋白資料集（開放）    │
 5│ (2) Models         → 25+ 模型（NVIDIA-Digital-Bio org）       │
 6│ (3) Libraries      → GPU 加速底層（cuEquivariance/Parabricks）│
 7│ (4) Training       → BioNeMo Framework（訓練 / 微調 reference）│
 8│ (5) NIM Inference  → 10+ 企業級推論微服務                     │
 9│ (6) Examples       → digital-biology-examples（端到端）       │
10└──────────────────────────────────────────────────────────────┘

換句話說，本 repo 是 NVIDIA BioPharma AI 全家桶的目錄頁，相當於：

• LLM 線的 NVIDIA-NeMo/Nemotron（一樣的 hub 角色，但對象是大語言模型）
• 物理 AI 線的 NVIDIA/cosmos（World Foundation Model 入口）
• 自駕 AI 線的 NVIDIA/Isaac-GR00T（人形機器人 foundation model 入口）

只是 BioNeMo 的對象是生物製藥的生成式 AI。

1.2 NVIDIA Clara BioPharma 生態定位

要理解 BioNeMo，必須先看它在 NVIDIA Clara 家族裡的位置：

flowchart TB
    Clara[NVIDIA Clara
醫療生命科學平台]
    Clara --> CB[Clara BioPharma
生物製藥]
    Clara --> CP[Clara Parabricks
基因體]
    Clara --> CH[Clara Holoscan
手術 / 感測 AI]
    Clara --> CI[Clara Imaging
醫療影像]
    CB --> BNF[BioNeMo Framework
訓練 / 微調]
    CB --> BNB[BioNeMo Blueprints
參考工作流]
    CB --> BNN[BioNeMo NIM
推論微服務]
    BNF -.指向.-> Hub[NVIDIA/BioNeMo
本 repo
索引 README]
    BNB -.指向.-> Hub
    BNN -.指向.-> Hub
    classDef hub fill:#fcd34d,stroke:#92400e,color:#000
    classDef cb fill:#a7f3d0,stroke:#065f46,color:#000
    class Hub hub
    class CB cb

四條 Clara 線路：

本 repo 屬於 Clara BioPharma 線，三大支柱（Framework / Blueprints / NIM）的對外入口。

1.3 在 NVIDIA AI 全家桶生態系的位置

NVIDIA 對外發布 AI 平台採「三大線路 + 各自 hub repo」模式：

跨線路對照：

• 與 Nemotron Hub 對比：兩者都是「對外 hub README + 一條框架 repo + 雲端服務」三件套。差異在 Nemotron 的訓練 recipes 多在 hub repo 本身（596 個 .py + 372 個 .md），BioNeMo Hub 反而是純導覽（1 個 .md），訓練重心完全下放給 bionemo-framework。
• 與 Cosmos Hub 對比：Cosmos 是世界基礎模型 hub（物理 AI），BioNeMo 是分子基礎模型 hub（生物 AI）；兩者都用 NIM 提供企業推論。
• 與 digital-biology-examples 對比：本 repo 是 平台目錄（What’s available），digital-biology-examples 是 應用範例（How to put them together）。兩者互補：先讀本 repo 知道有哪些模型 / NIM 可用 → 再讀 digital-biology-examples 看怎麼串成完整 drug discovery pipeline。

平行兄弟 repo 對照：本系列同步處理的還有 NVIDIA/bionemo-framework（訓練框架本體 — inner engine）與 NVIDIA/digital-biology-examples（端到端範例）。三者形成「outer hub → inner framework → application examples」的三層學習路徑。

1.4 為什麼 NVIDIA 在生物製藥這麼用力？

• 市場規模：全球藥物開發每款新藥成本 ~$2.6B、~10 年；任何能縮短的工具都有巨大價值
• AlphaFold 革命：DeepMind 2021 AlphaFold 證明 AI 可以解決 50 年蛋白質摺疊問題；生成式 AI 是下一波（從預測 → 生成）
• NVIDIA GPU 是天然 fit：分子模擬、蛋白質結構、equivariant neural networks（用幾何對稱）都重度仰賴 GPU
• NIM 商業模式：把 SOTA 模型打包成可商用、可部署、有 SLA 的微服務 — 製藥公司付費用，不用自己訓練模型

1.5 統計快照（2026-06-02）

數字看起來很「小」（66 stars / 1 個檔案），但這個 hub 連結出去的生態系實際達到 25+ 模型 repo + 10+ NIM + 5+ 函式庫 + 1 個 70K-line framework + 1 個官方範例集。

2. 安裝指南

2.1 你需要安裝本 repo 嗎？

99% 的情況不需要。 本 repo 純粹是 README 索引，沒有可執行物。

實際要安裝的是它指向的子元件，依使用場景三選一：

2.2 場景一：NIM 推論（推薦給多數人）

NIM = NVIDIA Inference Microservice，每個 NIM 是個 Docker container，啟動後提供 REST API。

2.2.1 系統需求

2.2.2 取得 NGC API Key

1# 1. 註冊 NVIDIA NGC 帳號 https://ngc.nvidia.com
2# 2. 申請 API Key
3# 3. 設定環境變數
4export NGC_API_KEY="<your-key>"
5echo "$NGC_API_KEY" | docker login nvcr&#46;io --username '$oauthtoken' --password-stdin

2.2.3 拉並跑一個 NIM（以 MolMIM 為例）

 1docker pull nvcr.io/nim/nvidia/molmim:latest
 2
 3docker run --gpus all -d \
 4    --name molmim \
 5    -p 8000:8000 \
 6    -e NGC_API_KEY="$NGC_API_KEY" \
 7    nvcr.io/nim/nvidia/molmim:latest
 8
 9# 等 30-60 秒讓模型載入
10curl http://localhost:8000/v1/health

2.2.4 試 inference

1curl -X POST http://localhost:8000/generate \
2  -H "Content-Type: application/json" \
3  -d '{
4    "smi": "CC(=O)Oc1ccccc1C(=O)O",
5    "num_molecules": 5,
6    "scoring_property": "QED"
7  }'

2.3 場景二：BioNeMo Framework（訓練 / 微調）

 1# 推薦用 uv 管虛擬環境
 2uv venv --python 3.10
 3source .venv/bin/activate
 4
 5git clone https://github.com/NVIDIA/bionemo-framework.git
 6cd bionemo-framework
 7uv pip install -e .
 8
 9# 或拉官方 NGC container（推薦，省 dependency 地獄）
10docker pull nvcr.io/nvidia/clara/bionemo-framework:latest

詳細安裝請看 bionemo-framework 子 repo 的 tutorial。

2.4 場景三：單一模型（適合研究用）

每個 NVIDIA-Digital-Bio/<model> 都附自己的 README + setup。常見模式：

1git clone https://github.com/NVIDIA-Digital-Bio/la-proteina.git
2cd la-proteina
3uv venv --python 3.10
4source .venv/bin/activate
5uv pip install -r requirements.txt
6# Download weights from HuggingFace (NOML license — read first!)
7huggingface-cli download nvidia/la-proteina --local-dir weights/
8python sample.py --config configs/default.yaml

2.5 雲端選項（零本機 GPU）

完全沒 GPU 也能玩：

3. 核心架構解析

3.1 BioNeMo 三大支柱 + 一個 hub repo

flowchart TB
    Hub[NVIDIA/BioNeMo
README 索引]
    Hub --> P1[Pillar 1: Data
AlphaFold DB / NGC]
    Hub --> P2[Pillar 2: Models
NVIDIA-Digital-Bio org]
    Hub --> P3[Pillar 3: Libraries
Parabricks / nvMolKit / cuEquiv]
    Hub --> P4[Pillar 4: Training
bionemo-framework]
    Hub --> P5[Pillar 5: NIM Inference
build.nvidia.com]
    P2 --> M_U[Understand
CodonFM / RNAPro]
    P2 --> M_D[Design
La-Proteina / GenMol / Megalodon]
    P2 --> M_O[Optimize
KERMT / ReaSyn / DualBind]
    P5 --> NIM1[OpenFold3 / Boltz-2
結構預測]
    P5 --> NIM2[ProteinMPNN / RFDiffusion
蛋白設計]
    P5 --> NIM3[MolMIM / GenMol / DiffDock
小分子設計 / docking]
    P5 --> NIM4[Evo2-40B / MSA Search
基因體 / 序列]
    classDef hub fill:#fcd34d,stroke:#92400e,color:#000
    classDef pillar fill:#bfdbfe,stroke:#1e40af,color:#000
    class Hub hub
    class P1,P2,P3,P4,P5 pillar

平台的核心邏輯是：

1. Data 餵 Models：開放資料集（如 ESMFold 重新摺疊的 455K 蛋白）給 NVIDIA 自家模型預訓練
2. Models 用 Libraries：模型訓練 / 推論時呼叫 GPU 加速函式庫（cuEquivariance 加速等變網路，nvMolKit 加速分子處理）
3. Training → Inference：用 BioNeMo Framework 訓練 / 微調後，包成 NIM 對外提供 API
4. Examples 串起一切：digital-biology-examples 用以上元件示範完整 drug discovery pipeline

3.2 25+ 模型分類圖

按藥物開發三階段（Understand → Design → Optimize）分類：

3.2.1 Understand 階段（理解生物分子）

3.2.2 Design 階段（生成新分子）

3.2.3 Optimize 階段（屬性預測 / 優化）

3.2.4 額外（Framework 內模型）

3.3 10+ NIM 微服務地圖

flowchart LR
    UI[Drug Discovery
Workflow]
    UI --> SeqDesign[序列設計
ProteinMPNN]
    UI --> StructDesign[結構設計
RFDiffusion]
    UI --> StructPred[結構預測
OpenFold3 / OpenFold2 / Boltz-2]
    UI --> MSA[MSA 生成
MSA Search]
    UI --> MolGen[小分子生成
MolMIM / GenMol]
    UI --> Docking[Docking
DiffDock]
    UI --> Genomic[基因體
Evo2-40B]
    SeqDesign -.NIM API.-> Deploy[Self-hosted
Docker / K8s / AWS / GCP / Azure / DGX]
    StructDesign -.NIM API.-> Deploy
    StructPred -.NIM API.-> Deploy
    classDef nim fill:#dcfce7,stroke:#15803d,color:#000
    class SeqDesign,StructDesign,StructPred,MSA,MolGen,Docking,Genomic nim

各 NIM 一句話定位：

3.4 GPU 函式庫支柱

底層加速一覽：

3.5 整條 Drug Discovery Pipeline

把所有元件串起來看完整 pipeline：

flowchart LR
    Target[Target Identification
已知 disease target]
    Target -->|CodonFM / RNAPro
RNA 序列 / 結構分析| Understand
    Understand[Target 結構解析
OpenFold3 / Boltz-2]
    Understand -->|蛋白結構 ready| Design[de novo Design]
    Design -->|蛋白 binder| Proteina[Proteina-Complexa
RFDiffusion]
    Design -->|小分子| SmallMol[GenMol / MolMIM
Megalodon]
    Proteina --> Filter[結構 / 屬性篩選]
    SmallMol --> Filter
    Filter -->|ADMET| KERMT[KERMT 預測]
    Filter -->|合成性| ReaSyn[ReaSyn 評估]
    Filter -->|binding affinity| DualBind[DualBind / DiffDock]
    KERMT --> Hit[Hit candidates]
    ReaSyn --> Hit
    DualBind --> Hit
    Hit -->|wet lab| Lab[實驗驗證]
    Lab -->|失敗 → 回頭| Design
    Lab -->|成功| Lead[Lead optimization]
    Lead -->|nvQSP| QSP[QSP virtual patient]
    QSP --> IND[IND-enabling]
    classDef nim fill:#dcfce7,stroke:#15803d,color:#000
    classDef model fill:#bfdbfe,stroke:#1e40af,color:#000
    class Understand,DualBind,Proteina,SmallMol nim
    class KERMT,ReaSyn model

這條 pipeline 對應 §5 的 5 條典型 recipe。

4. Helper Scripts 詳細用法

本 repo 沒有 helper scripts（純 README）。本節改為提供「平台層常見 CLI / SDK 操作」，讓讀者知道實際使用時會碰到的指令。

4.1 NIM 操作三步驟

 1# Step 1: 登入 nvcr.io（NGC container registry）
 2echo "$NGC_API_KEY" | docker login nvcr.io --username '$oauthtoken' --password-stdin
 3
 4# Step 2: 拉 + 跑 NIM
 5docker pull nvcr&#46;io/nim/<org>/<model>:<tag>
 6docker run --gpus all -d -p 8000:8000 \
 7    -e NGC_API_KEY="$NGC_API_KEY" \
 8    nvcr&#46;io/nim/<org>/<model>:<tag>
 9
10# Step 3: 打 REST API
11curl http://localhost:8000/v1/health
12curl -X POST http://localhost:8000/<endpoint> -H "Content-Type: application/json" -d '<payload>'

4.2 Python SDK 範例（呼叫 MolMIM 生成分子）

 1import requests
 2import json
 3
 4ENDPOINT = "http://localhost:8000/generate"
 5
 6payload = {
 7    "smi": "CCO",                  # ethanol as seed
 8    "num_molecules": 10,
 9    "iterations": 5,
10    "scoring_property": "QED",     # drug-likeness
11    "minimize": False,
12}
13
14response = requests.post(ENDPOINT, json=payload, timeout=60)
15data = response.json()
16
17for mol in data.get("generated", []):
18    print(mol["smi"], mol["score"])

4.3 雲端 build.nvidia.com（不裝本機，直接打）

NVIDIA 提供雲端試用 endpoint，免費額度可玩：

 1import requests
 2import os
 3
 4API_KEY = os.environ["NVCF_API_KEY"]      # 從 build.nvidia.com 申請
 5URL = "https://health.api.nvidia.com/v1/biology/nvidia/molmim/generate"
 6
 7headers = {"Authorization": f"Bearer {API_KEY}", "Accept": "application/json"}
 8payload = {"smi": "CCO", "num_molecules": 5, "scoring_property": "QED"}
 9
10r = requests.post(URL, headers=headers, json=payload)
11print(r.json())

4.4 BioNeMo Framework CLI（訓練端）

實際 CLI 在 NVIDIA/bionemo-framework，常見：

1# 訓練 ESM-2
2bionemo-train --config configs/esm2/650m.yaml --data /data/uniref/
3
4# 微調 Geneformer 給單細胞分類
5bionemo-finetune --base geneformer --dataset my_scRNA.h5ad --task cell-type
6
7# 評估
8bionemo-eval --checkpoint ckpts/last.ckpt --benchmark uniref50_eval

4.5 自家模型（NVIDIA-Digital-Bio）採樣範例

以 La-Proteina 為例：

 1git clone https://github.com/NVIDIA-Digital-Bio/la-proteina.git
 2cd la-proteina
 3uv venv --python 3.10 && source .venv/bin/activate
 4uv pip install -r requirements.txt
 5huggingface-cli download nvidia/la-proteina --local-dir weights/
 6
 7python sample.py \
 8    --config configs/sample_unconditional.yaml \
 9    --length 256 \
10    --num_samples 16 \
11    --output samples/

5. 應用場景：5 條典型藥物開發流程

5.1 Recipe A — Target-Indication Validation（標的驗證）

情境：拿到一個 disease，要找 / 驗證可能的蛋白標的。

1Step 1: 文獻 + DepMap / OpenTargets 找候選 target gene
2Step 2: CodonFM 分析該 gene 的 codon usage / 穩定度
3Step 3: OpenFold3 預測 target 蛋白 3D 結構
4Step 4: 用 Proteina 生成候選 binder 看是否可 drugable
5Step 5: 評估 → 若 drugable → 進 Recipe B

關鍵 NIM：CodonFM、OpenFold3、Proteina-Complexa。

5.2 Recipe B — De Novo Protein Binder Design（蛋白設計）

情境：要設計新蛋白 binder（抗體 / 配體）綁定已知 target。

1Step 1: target.pdb 載入
2Step 2: RFDiffusion 生成 backbone（指定 hot spot residue）
3Step 3: ProteinMPNN 從 backbone 設計 amino acid 序列
4Step 4: OpenFold3 / Boltz-2 驗證設計的序列摺成預期結構
5Step 5: Proteina-Complexa 評估 binding affinity / interface
6Step 6: 選出 top N 進 wet lab 表達 / SPR / ITC 驗證

關鍵 NIM：RFDiffusion、ProteinMPNN、OpenFold3、Boltz-2。

具體 NIM API 範例：

 1# RFDiffusion: generate backbone
 2import requests
 3
 4rfd_url = "http://localhost:8001/generate"
 5payload = {
 6    "input_pdb": open("target.pdb").read(),
 7    "contigs": "A1-50/0 50-100",   # design 100aa binder near A1-50
 8    "hotspots": ["A30", "A35", "A40"],
 9    "num_designs": 10,
10}
11backbones = requests.post(rfd_url, json=payload).json()
12
13# ProteinMPNN: sequence design
14mpnn_url = "http://localhost:8002/design"
15for bb in backbones["designs"]:
16    seqs = requests.post(mpnn_url, json={"pdb": bb["pdb"], "n": 8}).json()
17    # ...

5.3 Recipe C — Small Molecule Lead Generation（小分子 hit 發現）

情境：target 結構已知，要生成 hit 化合物。

1Step 1: target.pdb + binding site 定義
2Step 2: GenMol（fragment-based）生成 1000 候選
3Step 3: MolMIM 屬性導向優化（QED / logP / pkd 設目標）
4Step 4: Megalodon 生 3D 構象
5Step 5: DiffDock 預測 binding pose
6Step 6: DualBind 估算 binding affinity
7Step 7: KERMT 預測 ADMET（toxicity / metabolism）
8Step 8: ReaSyn 評估可合成性
9Step 9: 排序 → top 50 進 wet lab assay

關鍵 NIM / 模型：GenMol、MolMIM、Megalodon、DiffDock、DualBind、KERMT、ReaSyn。

範例 MolMIM 屬性導向：

1payload = {
2    "smi": "c1ccc2c(c1)nc(N)n2",     # seed scaffold
3    "num_molecules": 100,
4    "scoring_property": "QED",
5    "minimize": False,
6    "particles": 30,
7    "iterations": 10,
8}

5.4 Recipe D — 單細胞分析 + Target ID

情境：scRNA-seq 找 disease-specific upregulated gene 當 target。

1Step 1: scRNA-seq data (h5ad) 載入
2Step 2: BioNeMo-SCDL 切 batch 餵 Geneformer
3Step 3: Geneformer 預測 cell-type / 細胞狀態
4Step 4: 對比 disease vs healthy 找差異 gene
5Step 5: 候選 target → 進 Recipe A

關鍵元件：bionemo-framework、Geneformer、BioNeMo-SCDL。

5.5 Recipe E — Genomic Variant Analysis（基因體變異）

情境：variant calling + variant 功能預測。

1Step 1: BAM/FASTQ 進 Parabricks（GPU 加速 BWA + GATK / DeepVariant）
2Step 2: VCF 餵 Evo2-40B 預測 variant 對表達 / function 的影響
3Step 3: CodonFM 評估 silent mutation 是否影響 mRNA stability
4Step 4: 篩出 pathogenic variant → 報告

關鍵元件：Parabricks、Evo2-40B、CodonFM。

補充：Parabricks 是傳統 secondary analysis（不算生成式 AI），但因為被列在 BioNeMo 5 大支柱裡，所以 hub 也指向它。

6. 資安掃描報告

6.1 掃描範圍與方法

本 repo 只有 1 個 README.md + git metadata。傳統「掃 scripts / src」並不適用。

掃描內容：

• README 內所有外連連結（domains / paths / NGC org 名稱）
• 授權條款（多重授權交叉檢查）
• repo 設定（issues 是否開啟 / 預設分支 / SAST 觸發面）

1grep -nE "http[s]?://|nvcr.io|huggingface.co|github.com|build.nvidia.com" README.md | head -40

6.2 風險評級總結

6.3 詳細發現

🔴 高風險 — 授權混合

README 第 30–38 行：

• Data: CC BY 4.0 license
• Model weights: NVIDIA Open Model License Agreement
• Code: Apache 2.0 license

Individual components may vary — check each resource for specific license terms.

法務 implications：

緩解：

• 不假設 BioNeMo 平台一律 Apache-2.0
• 每個 model repo 進去看 LICENSE
• 商用前讓法務團隊個別審 NOML 條款

🟡 中風險 — 供應鏈廣度

README 指向 4 個 GitHub org：

⚠️ 注意 typosquatting：NVIDIA-Digital-Bio 看起來像 NVIDIA 但其實是另一個 org name。check verified badge + 對照 NVIDIA 官網。

🟡 中風險 — Container 來源

README 推薦使用 nvcr.io（NVIDIA Container Registry）。本身 trusted，但需注意：

• 拉 image 前確認 tag（latest 可能突然更新）
• 公司 policy 可能要求用 internal mirror 而非 public nvcr.io
• DGX Cloud / NIM 上線後容器版本鎖定建議用 SHA 而非 tag

🟢 低風險 — 程式 / 機密 / 注入

無程式 → 無 eval / exec / subprocess / shell=True 風險面。

6.4 給內部 onboarding 的建議

1. 新人入門先讀 README：理解平台全貌
2. 要實際用模型前先過法務：每個 NVIDIA-Digital-Bio model 個案審 NOML / research-use only
3. NIM 部署用 SHA tag 而非 latest：避免上線後容器突然更新破 reproducibility
4. 公司 internal mirror 拉 nvcr.io image：減少 supply chain 攻擊面
5. 記下完整 license attribution：CC BY 4.0 資料、Apache 2.0 程式、NOML 權重，發 paper / 內部報告須個別 cite

6.5 整體結論

🟢 整體低風險，但 🔴 商用 / 內部產品化前必須過法務（NOML 條款解讀）。

對純研究 / POC 用，本 hub 可放心當作起點；對 production drug discovery pipeline，每個 building block 都得個案審。

7. FAQ

Q1：本 repo 跟 NVIDIA/bionemo-framework 是什麼關係？

A：本 repo（NVIDIA/BioNeMo）是 outer 索引 README，列出整個平台有什麼。 NVIDIA/bionemo-framework 是 inner 訓練 / 微調框架，是平台的工程主體。 類比：本 repo 是「目錄頁」、bionemo-framework 是「實際的教科書」。

Q2：那 NVIDIA/digital-biology-examples 又是什麼？

A：那是 應用範例集，把 framework + NIM + 模型串起來示範完整 drug discovery pipeline。本 repo 告訴你「有什麼可用」、digital-biology-examples 告訴你「怎麼串起來解問題」。

Q3：為什麼這個 repo 才 66 stars？是不是不重要？

A：星數低是因為它只是 README。實際 BioNeMo 生態系 star 數加總（bionemo-framework + 各模型 repo + NIM 使用量）數千甚至上萬。本 repo 是「入口頁」不是「主力產品」，star 數不該作為判斷重要性的指標。

Q4：我可以直接商用 NVIDIA-Digital-Bio 的模型嗎？

A：個案而定。模型權重多為 NVIDIA Open Model License (NOML)，與 Apache-2.0 不同。NOML 條款典型包含 attribution、output 標註、distillation 限制等。商用前務必過法務。

Q5：本 repo 跟 AlphaFold 是什麼關係？

A：BioNeMo 平台整合而非取代 AlphaFold。NIM 提供 OpenFold2 / OpenFold3（AlphaFold 2 / 3 開源實作），以及 Boltz-2（MIT 蛋白複合物模型）。資料層連結 AlphaFold DB（DeepMind 維護的開放資料庫）。

Q6：我沒 GPU 也可以玩 BioNeMo 嗎？

A：可以。build.nvidia.com/explore/biology 提供雲端 NIM 試用 API，免費額度足夠 POC。也可以用 Google Colab + 小型模型試。完整訓練 / 大規模推論才需自有 GPU 或上 DGX Cloud。

Q7：BioNeMo 跟 Clara Parabricks 的關係？

A：兩者都在 Clara 醫療家族裡，但對象不同：

• BioNeMo = 生物製藥 AI（分子設計 / 蛋白結構 / RNA）
• Parabricks = 基因體 secondary analysis（DNA/RNA 序列 → variant calling） 本 hub README 把 Parabricks 也列入「Libraries & Tools」，因為實際 drug discovery 常需用 Parabricks 做 patient genomic profiling 再餵給 target ID 流程。

Q8：BioNeMo 的競品有哪些？

A：

• Schrödinger / OpenEye：傳統 CADD 軟體（物理 / docking 為主）
• InsilicoMedicine：自家 AI drug discovery 公司
• DeepMind / Isomorphic Labs：AlphaFold + 內部 drug discovery
• Atomic AI / Iambic：startup 級小模型 NVIDIA 的策略是「做平台」而非賣藥，讓所有 biotech 都能用 NVIDIA GPU + NIM 跑 SOTA。

Q9：BioNeMo 跟 HuggingFace BioGPT / BioBERT 不同嗎？

A：完全不同領域。

• HuggingFace BioGPT/BioBERT = 生物 / 醫學文本 NLP（讀 paper / 抓 entity）
• BioNeMo = 生物分子 AI（DNA / RNA / 蛋白 / 小分子的生成 / 預測） 兩者可以互補：用 BioGPT 從文獻挖 target candidate → 用 BioNeMo 設計 binder。

Q10：我該從哪個 NIM 開始試？

A：依興趣三選一：

• 想看蛋白結構：OpenFold3（最潮，AlphaFold 3 開源版）
• 想設計小分子：MolMIM（最簡單 API，QED 屬性導向）
• 想做基因體：Evo2-40B（40B 模型 + 百萬 bp context）

8. 進階技巧

8.1 本機 NIM cluster（多服務協作）

如果想跑完整 Recipe B / C，需多 NIM 協作：

 1# docker-compose.yml
 2version: "3.9"
 3services:
 4  rfdiffusion:
 5    image: nvcr.io/nim/ipd/rfdiffusion:latest
 6    runtime: nvidia
 7    ports: ["8001:8000"]
 8    environment:
 9      NGC_API_KEY: ${NGC_API_KEY}
10  proteinmpnn:
11    image: nvcr.io/nim/ipd/proteinmpnn:latest
12    runtime: nvidia
13    ports: ["8002:8000"]
14    environment:
15      NGC_API_KEY: ${NGC_API_KEY}
16  openfold3:
17    image: nvcr.io/nim/openfold/openfold3:latest
18    runtime: nvidia
19    ports: ["8003:8000"]
20    environment:
21      NGC_API_KEY: ${NGC_API_KEY}

1docker compose up -d
2# 用 Python orchestrator 串：RFDiffusion → ProteinMPNN → OpenFold3

8.2 K8s 部署（生產級）

NIM 都附 Helm chart：

1helm repo add nvidia https://helm.ngc.nvidia.com/nvidia
2helm install molmim nvidia/molmim \
3    --set ngcApiKey=$NGC_API_KEY \
4    --set resources.limits."nvidia\.com/gpu"=1

監控建議：Prometheus + Grafana + NVIDIA DCGM Exporter（GPU metrics）。

8.3 微調 BioNeMo 模型給自家資料

範例：用 BioNeMo Framework 微調 ESM-2 給自家蛋白資料：

 1from bionemo.esm2 import ESM2Config, ESM2Trainer
 2from bionemo.data import ProteinDataModule
 3
 4config = ESM2Config.from_pretrained("facebook/esm2_t33_650M_UR50D")
 5dm = ProteinDataModule(
 6    train_fasta="my_proteins.fasta",
 7    batch_size=8,
 8    max_seq_len=1024,
 9)
10
11trainer = ESM2Trainer(
12    config=config,
13    data_module=dm,
14    output_dir="ckpts/esm2_finetuned",
15    max_epochs=10,
16    precision="bf16-mixed",
17    devices=8,
18)
19trainer.fit()

8.4 Cross-modal pipeline（語言 + 結構）

把 NIM 跟 LLM 結合，用自然語言驅動 drug discovery：

 1# 1. 用 Nemotron Super 解讀文獻 → 推論可能 target
 2# 2. 用 BioNeMo OpenFold3 預測 target 結構
 3# 3. 用 BioNeMo MolMIM 生成 hit
 4# 4. 用 Nemotron 寫報告
 5
 6from nemotron import NemotronClient
 7from bionemo_nim import OpenFold3, MolMIM
 8
 9llm = NemotronClient(model="nano-3-omni")
10of3 = OpenFold3(endpoint="http://of3:8000")
11mm = MolMIM(endpoint="http://molmim:8000")
12
13# Pipeline
14disease = "Pancreatic ductal adenocarcinoma"
15target_idea = llm.complete(f"Suggest 3 druggable targets for {disease}")
16for tgt in target_idea:
17    structure = of3.predict(tgt.sequence)
18    hits = mm.generate(seed=tgt.known_inhibitor, n=100, scoring="QED")
19    report = llm.complete(f"Summarize hits for {tgt.name}: {hits}")

8.5 NIM 自訂模型（bring your own）

NVIDIA 提供 NIM SDK 讓你把自家模型也包成 NIM container：

1# 1. Clone NIM SDK
2git clone https://github.com/NVIDIA/nim-deploy.git
3
4# 2. 包模型
5nim-build --model my_model.pt --config nim_config.yaml
6
7# 3. 跑 container
8docker run --gpus all -p 8000:8000 my_model_nim:latest

9. 整合進其他工作流

9.1 整合進 AI knowledge template

對應到 19 個 layer 的 mapping：

9.2 跨 repo 兄弟 tutorial 對照

本系列同步處理的兄弟 tutorial：

讀完所有兄弟可一次看清 NVIDIA AI 三大線路（LLM / Physical / BioPharma）的完整佈局。

9.3 內部 onboarding（BioInfo / 計算生物團隊）

新人 4 週路線：

• Week 1：讀本 hub README + bionemo-framework 文檔；跑一個 NIM（推薦 MolMIM 或 OpenFold3 試用 API）；認識 25+ 模型分類
• Week 2：跑 digital-biology-examples 的 protein binder design 範例；理解 RFDiffusion → ProteinMPNN → OpenFold3 串接
• Week 3：用 bionemo-framework 微調一個小模型（ESM-2 small / Geneformer）給自家資料
• Week 4：依團隊方向（target ID / 小分子 / 蛋白設計 / scRNA-seq / 基因體）選一條 recipe 跑完整 pipeline

1    ↓
2BioNeMo: CodonFM / Geneformer 解讀 gene
3    ↓
4OpenFold3 預測 target 結構 → drugability 評估
5    ↓
6MolMIM / GenMol 生成 hit
7    ↓

9.5 跟 Clara 全家桶整合

主要 sweet spot 是 Parabricks → BioNeMo target validation。

10. 重點摘要 Checklist

10.1 概念與架構

• 能解釋本 repo 為什麼只有 1 個 README（hub 定位）
• 能說出 BioNeMo 平台五大支柱（Data / Models / Libraries / Training / NIM）
• 能畫出 NVIDIA Clara 四線路（BioPharma / Parabricks / Holoscan / Imaging）的位置
• 能說明本 repo / bionemo-framework / digital-biology-examples 三者分工
• 能解釋 Hub repo 模式（同樣套路：Nemotron / Cosmos / Isaac-GR00T / BioNeMo）

10.2 模型與 NIM

• 能列出 Understand / Design / Optimize 三階段對應的模型
• 能說出至少 5 個 NIM 微服務的用途
• 知道 OpenFold3 / Boltz-2 / Evo2-40B 各自的角色
• 能說出 GenMol / MolMIM / Megalodon 三個小分子模型的差異
• 知道 KERMT / ReaSyn / DualBind 在 Optimize 階段各自做什麼

10.3 工程與部署

• 能用 docker run 啟一個 NIM container
• 知道 nvcr.io 是 NVIDIA Container Registry
• 會用 NGC API Key 登入
• 能在 build.nvidia.com 雲端打 REST API
• 知道 K8s helm chart 怎麼部署 NIM

10.4 應用 Recipe

• 能描述 Target ID → Protein Design → Small Molecule Lead → ADMET → Lead Opt 完整 pipeline
• 知道 Recipe A (target val) / B (binder) / C (small mol) / D (scRNA) / E (genomic) 各自呼叫哪些元件
• 能說明 wet-lab loop（in silico → wet → in silico iteration）

10.5 倫理與合規

• 知道 repo License 三層（Apache-2.0 / CC BY 4.0 / NOML 權重）
• 商用 / 內訓前先過法務（NOML 個案分析）
• 知道 NVIDIA-Digital-Bio org 與 NVIDIA 不同但同屬 NVIDIA 官方
• 知道部分模型可能再加 research-use only 條款

11. 進一步閱讀

11.1 官方資源

• 本 hub：https://github.com/NVIDIA/BioNeMo
• BioNeMo Framework 文檔：https://docs.nvidia.com/bionemo-framework/
• NIM 入口：https://build.nvidia.com/explore/biology
• NVIDIA BioPharma 主頁：https://www.nvidia.com/en-us/industries/healthcare/biopharma/
• NGC Catalog（NVIDIA model registry）：https://catalog.ngc.nvidia.com/
• NVIDIA Open Model License：https://www.nvidia.com/en-us/agreements/enterprise-software/nvidia-open-model-license/

11.2 必讀 GitHub Org

• NVIDIA-Digital-Bio — 25+ 自家模型 https://github.com/NVIDIA-Digital-Bio
• NVIDIA/bionemo-framework — 訓練框架 https://github.com/NVIDIA/bionemo-framework
• NVIDIA/digital-biology-examples — 端到端範例 https://github.com/NVIDIA/digital-biology-examples
• clara-parabricks-workflows — 基因體 https://github.com/clara-parabricks-workflows
• NVlabs/protcomposer — ProtComposer 模型 https://github.com/NVlabs/protcomposer

11.3 重要 Paper / Tech Report

• AlphaFold 2：Jumper et al. Nature 2021 — 蛋白結構預測里程碑
• AlphaFold 3：Abramson et al. Nature 2024 — 複合物（蛋白 + DNA + RNA + ligand）
• RFDiffusion：Watson et al. Nature 2023 — Diffusion-based protein backbone design
• ProteinMPNN：Dauparas et al. Science 2022 — Inverse folding
• ESM-2 / ESMFold：Lin et al. Science 2023 — Protein language model
• DiffDock：Corso et al. ICLR 2023 — Generative blind docking
• Geneformer：Theodoris et al. Nature 2023 — scRNA foundation model
• MolMIM / GenMol / La-Proteina：NVIDIA blogs + arXiv

11.4 相關 NVIDIA Hub Repo（跨線路對照）

• LLM 線：NVIDIA-NeMo/Nemotron — 大語言模型 hub
• Physical AI 線：NVIDIA/cosmos — World Foundation Model
• 機器人線：NVIDIA/Isaac-GR00T — 人形機器人 foundation model
• 研究線：NVlabs/* — NVIDIA Research 全部 lab
• 本線（BioPharma）：NVIDIA/BioNeMo

11.5 內部對照 tutorial（同日 / 既有）

• inbox/2026-06-02-tutorial-Nemotron.md — Nemotron Hub（LLM 平行範例）
• inbox/2026-06-02-tutorial-NVIDIA-bionemo-framework.md — 訓練框架 inner engine（同日並行）
• inbox/2026-06-02-tutorial-NVIDIA-digital-biology-examples.md — 端到端範例（同日並行）
• inbox/2026-06-02-tutorial-Isaac-GR00T.md — 人形機器人 hub
• inbox/2026-06-02-tutorial-Nemotron-Labs-Diffusion.md — Diffusion research
• inbox/2026-06-02-tutorial-alpamayo.md — Alpamayo 自駕模型
• inbox/2026-06-02-NVlabs-explorer-guide.md — NVlabs research lab 全圖

11.6 推薦進階學習路徑

本 tutorial 由 gh-tutorial-qd workflow 自動產生 / 2026-06-02。原始 repo：https://github.com/NVIDIA/BioNeMo。授權三層（Apache-2.0 程式 / CC BY 4.0 資料 / NOML 權重），商用前過法務。