Сегодняшняя пятёрка сильна тем, что в ней мало пустого «AI for science» маркетинга и много конкретных попыток встроить модели в реальные научные и клинические цепочки. Здесь видно сразу несколько зрелых направлений: ИИ перестаёт быть только классификатором, учится объяснять решения через рекомендации и гайдлайны, начинает лучше работать с неопределённостью и постепенно продвигается к более сложным задачам в биологии, медицине и материаловедении.

Cardiologent: Multi-Agent Clinical Decision Support for Patient-Level Arrhythmia Assessment, Urgency, and Management

Cardiologent идёт дальше стандартной задачи «распознать паттерн на ЭКГ» и пытается довести систему до уровня пациент-ориентированного клинического решения: что это за нарушение ритма, насколько оно срочное и что с ним делать дальше. Важнее всего здесь не сам факт многоагентной сборки, а связка из анализа сигнала, истории пациента, извлечённых рекомендаций и критика, который проверяет, действительно ли выводы опираются на найденные клинические указания. Если такие системы закрепятся, медицинский ИИ будет оцениваться уже не только по точности распознавания, а по качеству и проверяемости всего маршрута принятия решения.

Источник: arXiv

Bayesian uncertainty estimation improves clinical decision making in medical AI agents

Эта работа показывает важную вещь: оценка неопределённости полезна не только как красивая метрика калибровки, но и как реальный сигнал для медицинского AI-агента. Авторы берут классификатор рентгеновских снимков грудной клетки, добавляют байесовскую оценку epistemic uncertainty и затем подают агенту простой флаг риска — можно ли вообще доверять этому предсказанию. На практике это заметно сокращает уверенные ошибки в хрупких случаях, а значит, делает медицинских агентов безопаснее именно в момент принятия решения, а не только на бумаге.

Источник: arXiv

SCTA: An Agentic Framework for Stable and Interpretable Target Gene Discovery from Single-Cell RNA Sequencing

SCTA разбивает поиск терапевтических target genes в single-cell RNA-seq не на один общий прогон модели, а на цепочку специализированных стадий: подготовка данных, выбор клеточных популяций, поиск дифференциальной экспрессии и биологическая интерпретация. Это делает результат более стабильным между запусками и помогает привязывать выводы к структурированным доказательствам, а не к одному неясному «умному» ответу модели. Для precision medicine это хороший сигнал: полезность ИИ всё чаще определяется воспроизводимостью и интерпретируемостью, а не только тем, насколько красиво он формулирует гипотезу.

Источник: arXiv

TriGlue: a Biology-Inspired Generative Model for Generating Molecular Glue-Induced Ternary Complex

TriGlue работает на одной из самых интересных и сложных территорий в AI drug discovery — проектировании molecular glues, которые заставляют целевой белок и E3 ligase собираться в degradable ternary complex. Авторы не просто генерируют молекулу, а связывают её с геометрией интерфейса и структурой комплекса через SE(3)-equivariant модуль и flow-matching генерацию. Если такие подходы выдержат экспериментальную проверку, ИИ сможет двигаться дальше привычного поиска «лучшего связывания» и активнее входить в targeted protein degradation.

Источник: arXiv

Generative and multimodal AI for materials prediction and design: Progress, challenges, and perspectives

Это не очередной победный релиз модели для материаловедения, а полезный обзор того, где у направления на самом деле узкие места. Авторы прямо говорят, что красивые генеративные результаты мало значат без связи между составом, структурой, процессом изготовления, тестированием и реальной воспроизводимостью в лаборатории. Именно поэтому статья ценна: она напоминает, что следующий большой шаг в AI-for-materials — не просто ещё один benchmark, а более реалистичная связка данных и эксперимента.

Источник: arXiv

Теги: AI-наука, медицина, drug-discovery, materials, arXiv