Главная работа выпуска — pCoMole: метод не просто предлагает новые биомолекулярные последовательности на экране, а редактирует уже существующие молекулы под жёсткими ограничениями и показывает лабораторную проверку. Авторы проверяли сокращение зелёного флуоресцентного белка, уменьшение вариантов Cas9 и сжатие пептидных связывателей; два укороченных варианта белка после десяти удалений всё ещё давали видимое зелёное свечение. Это важно для белкового дизайна: система пытается оптимизировать полезность, размер и технологические ограничения одновременно, а не просто генерировать красивые последовательности.

CALM даёт атомистическим моделям сигнал тревоги по отдельным атомам

CALM встраивает калиброванную оценку выхода за пределы обучающих данных прямо в потенциалы GRACE для межатомных взаимодействий. В том же проходе, где модель считает энергии и силы, она выдаёт оценку надёжности для каждого атома. Для долгих материаловедческих расчётов это практично: можно видеть, где модель начинает гадать, и направлять новые дорогие квантовые расчёты туда, где ожидается наибольшая ошибка.

Нейросетевая волновая функция идёт за пределы приближения Борна — Оппенгеймера

Работа предлагает нейросетевой вид волновой функции для полной электронно-ядерной задачи Шрёдингера. Подход явно учитывает многочастичные электронные корреляции и настраивает их по полной конфигурации электронов и ядер. Если метод подтвердится на более широких системах, он может помочь точнее описывать реакции с сильной корреляцией и пересечениями энергетических поверхностей, где стандартные упрощения дают сбои.

ORBIT-FMIB показывает, что зонды белковых моделей нужно перепроверять

ORBIT-FMIB проверяет, сохраняют ли представления ESM-2 информацию о сложных взаимодействиях мутаций. Первая проверка намекала, что сигналы высокого порядка теряются, но независимое повторение почти стерло эффект и сделало направление результата нестабильным. Ценность здесь не в громком улучшении, а в трезвом уроке: механистические выводы о белковых моделях нельзя строить по одному диагностическому прогону.

Квантование белковых языковых моделей резко снижает расход памяти

Авторы сравнили четырёхбитное квантование и дообучение через малые адаптеры на нескольких белковых языковых моделях, включая ESM-2, ESMC, ProtBERT, ProtT5, Ankh, Ankh3 и Profluent-E1. Во многих парах модель-задача сохраняется более 90% качества полного дообучения, а пиковый расход памяти снижается почти на 90%. Практический вывод: крупные биомодели становятся доступнее, но для генеративных моделей нужны проверки распределений, потому что обычные структурные метрики могут пропустить сдвиги.

Algebraic Counting Field ищет скрытые белковые карманы через проверяемые признаки

Метод предсказывает скрытые участки связывания лигандов по структурам белков без непрозрачной последовательностной модели. Вместо этого он использует явные геометрические, физико-химические и топологические признаки, собранные в проверяемые таблицы с целыми весами. Для поиска лекарств это интересно тем, что результат можно разбирать и оспаривать, а не только принимать как ответ чёрного ящика.

Нейросетевые фазово-полевые модели связывают атомы и миллионные микроструктуры

Авторы выводят фазово-полевые уравнения из молекулярной динамики, а недостающие свободную энергию и подвижность учат нейросетями на коротких траекториях. Демонстрации включают расплавы железо-бор и смеси водород-гелий, а один расчёт соответствует системе из 2,2 млн атомов. Это шаг к моделям, которые сохраняют физическую точность на уровне атомов, но работают на масштабах реальной эволюции материалов.

BranchIP ускоряет эквивариантные межатомные потенциалы адаптивными вычислениями

BranchIP учится выбирать, где нужна дорогая тензорная часть расчёта, а где можно обойтись меньшей глубиной. На задачах гетерогенного катализа и протон-проводящих электролитов заявлены ускорение до 2,4 раза и снижение расхода памяти до 2,6 раза при сохранении физической точности. Дополнительный плюс — ветвления показывают, какие локальные взаимодействия требуют более сложного вычисления.

Общий мотив выпуска: AI в науке становится полезнее не только через «более умные» модели, но и через контроль над ошибками, памятью, проверяемостью и стоимостью вычислений. Именно эти детали решают, дойдёт ли метод до лаборатории, материаловедческого расчёта или инженерного контура.