Три работы показывают разные способы применять ИИ к биологическим данным. Сопоставимых голосов и оценок у материалов нет, поэтому порядок редакционный. Во всех случаях речь о предварительных научных публикациях: вычислительные результаты не следует принимать за подтверждённую пользу для пациентов.

InstructPro2: белок по описанию и биологическому контексту

InstructPro2 объединяет текстовые инструкции с данными о молекулах-партнёрах или антигенах, чтобы создавать белковые последовательности под задачу. Авторы собрали 205,7 млн пар описаний функций и белков.

На вычислительных проверках они сообщают о показателе восстановления функций 74,8 против 62,2 у Pinal, а также о 72,6% успешного моделирования связывания с малыми молекулами. Эти числа относятся к разным проверкам: их нельзя складывать или понимать как общую вероятность получить работающий препарат.

Интересна попытка использовать один подход для нескольких задач проектирования, учитывая не только словесное пожелание, но и биологического партнёра будущего белка. Главная граница результата — приведённые проверки сами по себе не доказывают, что созданные белки будут работать в лаборатории.

scCTM: состояния клеток глиомы и гипотезы о воздействии на них

Исследователи применили scCTM, основанную на разработке Sakana AI, к двум наборам данных: 18 490 и 20 000 клеток. Модель использовали для разделения клеточных состояний, построения их карт и вычислительного ранжирования изменений взаимодействий генов.

Авторы сообщают о качестве разделения состояний около 0,99 по показателю площади под кривой ошибок. Но отличать известные состояния — не то же самое, что верно предсказывать переход клетки из одного состояния в другое. Тем более это не доказательство эффективности лечения.

Практический смысл работы — предложить исследователям гипотезы о пластичности опухоли и возможных направлениях дальнейших опытов. Важен и отрицательный результат: обучение с подкреплением не улучшило восстановление данных. Усложнение метода оказалось полезным не во всём.

Графовый отбор признаков: меньше избыточных измерений

Третья работа предлагает выбирать в биологических данных информативные и разнообразные признаки с помощью графового подхода. Когда измеряются тысячи характеристик, например активность генов, многие из них могут дублировать друг друга. Метод нацелен на уменьшение этой избыточности.

На пяти генетических наборах данных авторы сообщают об улучшении точности прогнозирования и устойчивости выбранных признаков по сравнению с рассмотренными методами. Это полезная постановка задачи: улучшение может прийти от более осмысленного выбора входных данных, а не только от более сложной модели.

Пока вывод ограничен вычислительными сравнениями на этих наборах. Клиническая польза и переносимость результата на другие данные требуют отдельных проверок.

Общий вывод скромный: эти работы расширяют способы проектировать молекулы и исследовать биологические данные, но между хорошим вычислительным показателем и подтверждённым научным или медицинским применением остаются дальнейшие эксперименты.