Сегодняшние работы хорошо показывают, что ИИ для науки становится более предметным. Исследователи не просто предлагают новые модели, а сравнивают их на конкретных задачах, проверяют границы применимости и всё чаще доводят идеи до сценариев, которые можно связать с реальными лабораторными решениями.

MixTIME извлекает 17 иммунных маркеров опухоли прямо из стандартных гистологических снимков

Авторы представили мультимодальную фундаментальную модель патологии MixTIME, которая сочетает экспертов для изображений, изображений с текстом и изображений с данными о работе генов. Система пытается по обычным окрашенным гистологическим снимкам предсказать 17 иммунных белковых маркеров опухоли и, по словам авторов, показывает лучший результат на двух наборах данных, а также улучшает прогноз выживаемости, пространственный анализ опухоли и помощь в подготовке патологоанатомических заключений.

Почему это важно: если такой подход подтвердится дальше, обычные снимки тканей смогут давать гораздо больше биологической информации без дополнительных лабораторных анализов. Для точной онкологии это путь к более дешёвым и масштабируемым рабочим процессам.

Источник: arXiv

AMPGAN v3 и PepCraft предложили и проверили в лаборатории новые антимикробные пептиды

Эта работа расширяет проектирование антимикробных пептидов за пределы стандартных аминокислот: авторы добавили D-аминокислоты и химические модификации концов молекулы, которые важны для более реалистичной лекарственной разработки. Они сообщают о лабораторной проверке пяти сгенерированных кандидатов, из которых два показали активность против грамположительных бактерий, а также описывают многошаговый контур PepCraft для планирования, фильтрации и проверки кандидатов.

Почему это важно: устойчивость бактерий к антибиотикам остаётся большой медицинской проблемой, а здесь ИИ уже не просто рисует красивые молекулы на экране, а доводится до экспериментально проверяемых кандидатов в более реалистичных условиях медицинской химии.

Источник: arXiv

Pepti-Agent переводит проектирование пептидов в прозрачный пошаговый режим

Pepti-Agent объединяет генерацию пептидов, предсказание свойств и мутационные шаги в набор явных инструментов, которыми управляет языковая модель. Система отслеживает компромисс между растворимостью, разрушением эритроцитов и склонностью к загрязнению поверхности, а также сохраняет каждый шаг предсказания и каждую принятую мутацию, чтобы исследователи могли воспроизводить и сравнивать стратегии оптимизации.

Почему это важно: в разработке терапевтических пептидов почти всегда приходится балансировать сразу несколько целей. Подход с прозрачным журналом шагов делает такие системы удобнее для сравнения, проверки и будущей связи с лабораторной валидацией.

Источник: arXiv

OCOO-T предлагает более простую и масштабируемую «виртуальную клетку»

Авторы OCOO-T предлагают относительно простую архитектуру виртуальной клетки для предсказания того, как одиночные клетки изменят программу работы генов после генетических, химических или цитокиновых воздействий. Вместо тяжёлой специализированной конструкции они используют обычный Transformer и, по заявлению авторов, получают лучший результат на Tahoe100M, Replogle и PBMC, сохраняя способность работать с длинными профилями транскрипции.

Почему это важно: надёжные виртуальные клетки могут помочь биологам и фармацевтическим командам заранее отсеивать слабые гипотезы и точнее выбирать эксперименты для реальной лаборатории. Чем проще и масштабируемее такая модель, тем легче ей стать рабочим инструментом, а не разовой демонстрацией.

Источник: arXiv

Работа по AlphaFold2 показывает, что структура белка полезна не всегда

Авторы задают очень практический вопрос: когда действительно стоит платить вычислительную цену за вывод структуры белка, а когда достаточно более дешёвых представлений, основанных только на последовательности? Они вводят метрику «информационного бонуса» и показывают, что ответ сильно зависит от задачи: модели по последовательности выигрывают в предсказании силы связывания и гибкости, тогда как структурные представления помогают в поиске аллостерических участков; кроме того, неудачное разделение данных может сильно завышать качество.

Почему это важно: командам, которые применяют ИИ в биологии, постоянно приходится выбирать, какой тип представления использовать до постановки эксперимента. Эта работа полезна тем, что заменяет общую веру в «структура всегда лучше» более трезвым правилом выбора под конкретную задачу.

Источник: arXiv