В этой подборке особенно заметно, как ИИ всё чаще смещается от красивого предсказания к более жёстким научным задачам: не просто предложить гипотезу, а отсеять неустойчивые материалы, восстановить неизвестную молекулу без готовой подсказки, учесть контекст болезни при поиске лекарства и понять, когда модель действительно улавливает механизм, а не только подгоняет кривую. Ниже — все пять находок выпуска.

PhononScore: новая оценка динамической устойчивости для поиска материалов

PhononScore нацелен на одну из самых болезненных проблем в поиске новых материалов: генеративные модели и скрининг часто предлагают красивые кристаллические структуры, которые в реальности оказываются динамически неустойчивыми. Вместо того чтобы запускать дорогие расчёты колебаний для каждого кандидата, авторы предлагают модель, которая сразу оценивает вероятность устойчивости по самой структуре.

Почему это важно: по данным статьи, доля устойчивых кандидатов в пуле выросла с 30,7% до 83,7%, а среди десяти лучших кандидатов достигла 97,5%. Если результат подтвердится на практике, ИИ в материаловедении станет не только генератором идей, но и гораздо более полезным фильтром для реально существующих материалов.

MARLIN восстанавливает структуру неизвестных молекул без заранее известной формулы

Работа MARLIN решает очень прикладную задачу химии: как понять, что за молекула стоит за тандемным масс-спектром, если правильная молекулярная формула заранее неизвестна. Вместо скрытой подсказки в виде истинной формулы система сначала предсказывает молекулярный отпечаток по спектру, а затем генерирует кандидаты, соблюдая ограничение по массе.

Почему это важно: в поиске лекарств, биомаркеров и загрязнителей среды самые интересные молекулы часто как раз отсутствуют в справочных библиотеках. Подход, который не требует заранее знать формулу, ближе к реальной исследовательской работе, чем многие более удобные для тестов постановки задачи.

DrugGen 2 добавляет контекст болезни в генерацию молекул для поиска лекарств

DrugGen 2 пытается сделать генерацию лекарственных молекул более похожей на реальный процесс разработки препаратов. Модель учитывает не только белок-мишень, но и саму болезнь, а затем донастраивается так, чтобы улучшать корректность молекул, новизну, разнообразие и ожидаемую силу связывания. В статье авторы показывают улучшения на пяти мишенях, связанных с диабетической нефропатией.

Почему это важно: одна и та же мишень может играть разную роль в разных болезненных состояниях, поэтому добавление контекста болезни — это шаг от абстрактной химической генерации к более прикладному поиску новых соединений и сценариев перепрофилирования.

Биологически информированные нейросети получили практические правила для восстановления механизмов из шумных данных

Эта работа важна не громким новым рекордом, а попыткой сделать ИИ в биологии более надёжным инструментом открытия. Авторы систематически проверяют, при каких настройках биологически информированные нейросети действительно могут восстановить лежащие в основе механизмы динамических биологических систем по разреженным и шумным данным, и выделяют рабочие правила для размера архитектуры, скорости обучения, баланса функций потерь и размера пакета.

Почему это важно: в науке предсказать траекторию мало — исследователю нужно понимать механизм. Поэтому такие правила полезны как проверка на трезвость: они помогают отделить случаи, где модель правда что-то раскрывает о системе, от случаев, где она лишь хорошо подгоняет наблюдения.

UMA-Inverse предлагает более лёгкий путь к проектированию белков под заданный лиганд

UMA-Inverse — компактная модель для обратного проектирования белков, которая учитывает полную геометрию лиганда, с которым белок должен связываться. Авторы честно пишут, что по точности на тестах работа не обходит LigandMPNN, но зато предлагают плотное представление всех парных связей, чтобы сигнал от лиганда распространялся дальше по белковой структуре.

Почему это важно: в проектировании белков не все задачи выигрываются одним лишь лучшим баллом в таблице. Если модель лучше переносит дальнодействующие эффекты и при этом остаётся более лёгкой и понятной, это может оказаться ценным направлением для более сложных задач связывания и инженерии белков.