Не каждый день в одной подборке сходятся чистая математика, радиобиология и онкология, но именно это сейчас показывает, как ИИ и современные методы анализа проникают в науку не только как генераторы текста, а как инструменты для поиска структуры и проверяемых гипотез. Ниже три заметные работы из свежего потока arXiv.

Двухагентная ИИ-система помогла найти идею для теоремы о сохраняющих меру потоках

Работа про аналог теоремы Белинской для потоков, сохраняющих меру, сама по себе лежит в очень узкой и сложной области чистой математики. Но она выделяется тем, что автор прямо пишет: важный критерий соизмеримости и его применение были найдены автономно двухагентной ИИ-системой, а затем независимо проверены человеком-математиком.

Почему это важно: в математике такого уровня особенно трудно приписать машине пустой маркетинговый вклад. Если ИИ действительно помог найти лемма-уровневую идею, которая вошла в живое исследовательское доказательство, это сильный сигнал, что агентные системы начинают приносить пользу не только в вычислениях, но и в поиске нетривиальных промежуточных шагов. Даже если финальную статью оформил человек, сам факт полезного вклада в доказательство — уже заметное событие для направления «ИИ для математики».

Причинный анализ радиационного ответа клеток сделал реакции на облучение понятнее

Эта работа по геномике изучает, как человеческие клетки реагируют на радиацию при разных режимах дозы. Вместо обычного поиска корреляций авторы применяют причинный анализ: строят направленные сети генов, которые лучше согласуются с известными путями радиационного ответа, чем более простые базовые методы. В результате получается не просто список генов, у которых изменилась активность, а карта возможных регуляторных связей между стрессовыми программами и путями клеточной гибели.

Практический смысл в том, что такие причинные графы ближе к механистическому пониманию процесса. Это может помочь исследователям формулировать более точные гипотезы о мишенях, а в перспективе — делать исследования радиобиологии и ответа на лечение полезнее для персонализированной медицины. ИИ здесь важен не как «чёрный ящик», а как способ перейти от наблюдения к объяснению.

Топологический анализ выявил скрытые группы риска у пациенток с раком молочной железы

Авторы этой работы применили топологический анализ данных к профилям экспрессии генов более чем у тысячи пациенток из TCGA и показали, что сама геометрия данных несёт прогностический сигнал сверх привычных молекулярных подтипов. С помощью алгоритма Mapper они находят скрытые «соседства» в пространстве признаков и показывают, что близость к определённым высокорисковым областям связана с худшей выживаемостью даже после поправки на возраст, стадию и лечение.

Особенно интересно, что внутри Basal-like подтипа нашлась группа с неожиданно хорошими исходами и отличимой сигнатурой, которая может указывать на лучшую чувствительность к терапии. В более простом переводе: форма геномных данных помогает увидеть клинически важные подгруппы, которые стандартная классификация пропускает. Для онкологии это полезный пример того, как методы поиска сложных структур могут уточнять стратификацию пациентов, а не только повторять уже известные ярлыки.

Источник: arXiv

Если смотреть на подборку целиком, общий вывод такой: научный ИИ всё чаще ценен там, где нужно не просто сжать информацию, а выделить скрытую структуру — в доказательствах, причинных сетях и сложной геометрии биомедицинских данных.