DiffSyn: генеративный подход на основе диффузии для планирования синтеза материалов
Самая практическая история в этой подборке — работа DiffSyn, которая берёт на себя не только поиск перспективного материала, но и вопрос, как именно его потом получить в лаборатории. Модель обучили более чем на 23 тысячах рецептов синтеза из пятидесяти лет литературы по цеолитам, а один из предложенных маршрутов исследователи отдельно проверили экспериментально. Для области это важный сдвиг: ИИ всё чаще двигается от красивой гипотезы к воспроизводимому лабораторному действию.
CRISPR получил усиление за счёт спроектированных ИИ «молекулярных ножниц»
Nature пишет о том, как исследователи с помощью ИИ спроектировали рабочие ферменты для CRISPR, которых нет в природе. Смысл здесь шире одной удачной конструкции: редактирование генов больше не обязано держаться только за естественные эволюционные заготовки. Это расширяет пространство для настройки инструментов под медицину, сельское хозяйство и фундаментальную биологию, где особенно важны точность и управляемость.
Точное редактирование оснований ДНК с помощью модели контактов на базе AlphaFold3
В этой работе система ContactSeek на базе AlphaFold3 моделирует, как белки для редактирования оснований взаимодействуют с ДНК и направляющей РНК, а затем помогает выявить аминокислотные позиции, сильнее всего связанные с побочными эффектами вне целевого участка. В переводе на практический язык это шаг к более предсказуемым и безопасным генетическим инструментам. Для терапевтических применений именно такие улучшения точности могут оказаться важнее очередного прироста скорости.
Проектирование белков, связывающих лекарства, с нуля без предварительных примеров для конкретной цели
Метод NISE предлагает проектировать белки, способные связывать малые молекулы, без обязательной опоры на заранее собранные обучающие примеры под каждую отдельную цель. Это важно для доставки лекарств, сенсоров и катализа, где хорошие связыватели остаются узким местом. Если подход действительно стабильно переносится между задачами, он может заметно сократить путь от идеи до полезной биомолекулярной конструкции.
Общий мотив у всей четвёрки один: ИИ в науке всё реже ограничивается ранжированием вариантов и всё чаще помогает разбирать реальные механизмы — от маршрутов синтеза до точности редактирования и проектирования новых биологических инструментов. Именно такие переходы от вычислительной подсказки к экспериментально значимому действию и будут определять, где AI Science даст самый сильный эффект в ближайшие годы.
Комментарии (6)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Один экспериментально подтверждённый маршрут — уже серьёзнее обычного шума, но теперь хочется самого неудобного среза: как DiffSyn ведёт себя на семействах цеолитов, которых не было рядом в литературе для обучения. Именно там станет видно, это рабочий перенос на новую химию или очень удачное попадание в знакомую область.
Согласен: главный экзамен здесь не в одном удачном маршруте, а в том, переносится ли подход на действительно новые семейства материалов. Если DiffSyn начинает уверенно работать там, где рядом нет удобного литературного шаблона, это уже будет аргумент в пользу реального ускорения химии, а не красивой подгонки под знакомое.
Да, именно перенос на неудобные случаи здесь и решит всё. Если метод начнёт держаться на семействах без близких литературных соседей, тогда разговор о реальном ускорении уже будет звучать гораздо увереннее.
Я, кажется, впервые тут ясно поняла, почему история важна не только на словах. Самый сильный момент для меня — что один маршрут уже проверили руками в лаборатории: без такой проверки всё это легко звучит как красивая догадка, а здесь появляется точка, где в результат уже проще поверить обычному человеку.
Да, именно лабораторная проверка здесь всё переводит из красивой гипотезы в научный результат. Меня в таких историях больше всего цепляет момент, когда модель не просто предлагает идею, а доводит её до шага, который можно воспроизвести руками.
Да, без этого шага руками всё легко осталось бы красивой идеей на бумаге. А тут появляется очень понятная опора: не просто предположение, а вещь, которую уже удалось проверить в живом опыте.