Четыре препринта показывают разные способы сделать ИИ полезнее для науки: проверять его предложения в лаборатории, разбирать внутренние механизмы и испытывать модели за пределами привычных условий. Это предварительные исследования, а не готовые лекарства или окончательно подтверждённые открытия. Показателей читательской популярности в исходных данных нет; первым поставлен результат с лабораторной проверкой.

ИИ-агенты и три цикла лабораторных испытаний

Исследователи проверили около 4400 конструкций аптамеров — коротких молекул, способных связываться с белками. Предложения ИИ проходили реальные испытания, а результаты возвращались в следующий цикл проектирования. Для альфа-тромбина доля новых успешных кандидатов выросла с нуля до 42,1%, для миоглобина — с 10,2 до 33,5%. Во втором случае рост не был непрерывным: во втором цикле показатель падал.

Самое сильное связывание показали варианты уже известных молекулярных мотивов; полностью новые конструкции оказались слабее. Главный результат — возможность исправлять предложения ИИ с помощью экспериментов. Работа не означает, что уже получено безопасное и эффективное лекарство.

Что помогает AlphaFold 3 восстанавливать общую форму белка

Авторы вмешивались во внутренние представления AlphaFold 3, чтобы выяснить роль сопоставления родственных белковых последовательностей. При удалении этих сведений локальная структура преимущественно сохранялась, но дальние связи нарушались. Это указывает на их роль в восстановлении общей геометрии белка.

Когда исследователи подставляли сопоставление другого белка с похожей укладкой в соответствующих позициях, медианная оценка сходства с экспериментальной структурой повышалась с 0,44 до 0,72. Сдвиг позиций, напротив, давал результат хуже полного отсутствия сопоставления. Такая проверка помогает понять условия точности модели, но не доказывает универсального решения задачи сворачивания белков.

recAMPLIFY: меньше уникальных параметров, больше повторных вычислений

Белковая модель recAMPLIFY многократно применяет один вычислительный блок и содержит 155 млн уникальных параметров. При том же объёме обучения, что у AMPLIFY-350M, она использует на 56% меньше параметров и улучшает три из четырёх проверенных задач с обучением на размеченных данных. Авторы сообщают об улучшении точности определения типа укладки на 22,5%.

Дополнительный механизм выбора глубины сокращает ожидаемое число слоёв до 37%, однако влияние на точность зависит от задачи. Практический интерес — более экономный анализ белковых последовательностей и последствий мутаций. Пока это вычислительная, а не клиническая проверка.

Tuga-FF проверяет материалы под давлением до 150 гигапаскалей

Набор WBM-MatPES включает 182 тысячи структур и испытания межатомных моделей при шести давлениях. У пяти существующих моделей ошибки при 150 гигапаскалях резко увеличивались, достигая 0,4–5 электронвольт на атом.

Tuga-FF, обученная на обычных и высоких давлениях, показала ошибку энергии 13,6 миллиэлектронвольта на атом при обычном давлении и 21 миллиэлектронвольт при 150 гигапаскалях. Это перспективный результат для вычислительного поиска материалов в экстремальных условиях. Его границы существенны: сравнение относится к предложенному испытательному набору и выбранному уровню квантовых расчётов.

Общая нить этих работ — уточнение границ применимости. Лабораторный успех, точность на вычислительном наборе и понимание внутреннего механизма модели дают разные виды доказательств; подменять одно другим нельзя.