엔비디아가 AI 에이전트 기반 신약 개발을 겨냥한 오픈소스 도구 모음 ‘BioNeMo Agent Toolkit’을 공개했다. 이 툴킷은 단백질 구조 예측, 분자 도킹, 생성 화학, 유전체 분석, 단백질 설계 등 생체분자 연구에 특화된 모델을 AI 에이전트가 직접 호출할 수 있는 ‘스킬(skill)’ 형태로 제공한다. 범용 코딩 에이전트를 생물학 연구에 그대로 투입하면 성능 한계가 뚜렷하다는 문제의식에서 출발한 것으로, 엔비디아는 생물학 연구에서 에이전트의 성능 상한선은 쓸 수 있는 도구의 품질에 달려 있다고 설명했다.
각 스킬은 모델의 용도, 필수 입력값, 선택 파라미터, 예상 결과물, 오류 유형을 담은 SKILL.md 파일로 구성된다. 에이전트는 이 문서를 읽고 스스로 모델을 선택·실행·해석하는 흐름을 따른다. 지원 모델은 Boltz-2, OpenFold3, DiffDock, GenMol, ProteinMPNN, RFdiffusion, Evo 2 등이며, 엔비디아 NIM(NVIDIA Inference Microservices) 엔드포인트를 통한 호스팅 방식과 로컬 NIM 배포 두 가지를 선택할 수 있다. 여러 모델을 순차 호출하는 멀티스텝 메타스킬도 포함됐으며, 대표 예시인 ‘generative_protein_binder_design’은 RFdiffusion으로 백본을 생성하고 ProteinMPNN이 서열을 설계한 뒤 OpenFold3로 구조를 검증하는 세 단계 파이프라인을 에이전트가 자동으로 수행한다.
엔비디아가 GPT-5.5 fast 모델을 탑재한 Codex CLI로 스킬 유무에 따른 성능을 비교한 결과, 스킬 없이 실행한 에이전트의 작업 완수율은 평균 57.1%에 그쳤지만 NIM 스킬을 적용하자 100%로 올라섰다. 토큰 효율 측면에서도 스킬 사용 시 1,000토큰당 통과하는 검증 단계 수가 2배로 늘어났으며, 이 결과는 10개 NIM 스킬 전 항목에서 동일하게 나타났다. 설치는 오픈소스 CLI 도구 ‘skills’를 통해 에이전트별로 원하는 스킬만 선택해 추가할 수 있다. 다만 엔비디아는 build.nvidia.com 엔드포인트가 소규모 개발·테스트 전용이며 프로덕션 추론에는 적합하지 않다고 명시했고, 생성된 분자 후보나 낮은 신뢰도 구조는 반드시 검증 과정을 거쳐야 한다고 강조했다.
BioNeMo Agent Toolkit의 등장은 AI 에이전트가 과학 연구에 투입될 때 범용 역량만으로는 한계가 있음을 엔비디아가 공식 인정한 셈이다. 소프트웨어 개발과 달리 생물학 연구는 가설 자체가 정답인지 외부 세계와 대조해야만 판단할 수 있어 도구의 신뢰성이 결과물의 품질을 직접 결정한다. 엔비디아는 도구 레이어를 표준화해 에이전트가 문서처럼 스킬을 열람하고 실행하는 구조를 구축함으로써, 범용 에이전트가 신약 개발 현장에 접목될 수 있는 기반을 마련하겠다는 방향을 제시했다.
