Главная тема этой подборки — ИИ всё чаще работает не как «чёрный ящик для прогноза», а как связующее звено между научным языком, физическими ограничениями и проверяемыми измерениями. Ниже — десять свежих работ, где это видно особенно хорошо.

1. Prompteina проектирует атомные структуры белков по текстовому описанию

Prompteina принимает описание желаемых свойств белка на естественном языке и генерирует атомную структуру. Авторы связали 1,8 млн структур белков с более чем 50 млн текстовых описаний, чтобы приблизить белковое проектирование к привычной схеме «описал цель — получил кандидат». Это важно, потому что исследователю не нужно каждый раз вручную задавать отдельное численное представление для новой функции белка.

Источник: arXiv

2. EchoTab связывает эхокардиографию с клиническими измерениями

EchoTab учится не просто выдавать диагноз по изображениям сердца, а восстанавливать промежуточные табличные измерения, которыми обычно пользуются врачи. Такой слой делает модель ближе к реальному клиническому мышлению: сначала несколько видов изображения и измерений, затем решение. Для медицины это ценно, потому что повышает проверяемость представлений, а не только итоговую точность.

Источник: arXiv

3. Метод для биомедицинских изображений помогает при слабой разметке

Работа предлагает добавлять предметные знания к классификации микроскопических и цитоморфологических изображений, где разметка часто неполная или шумная. Метод проверили на семи семействах моделей и совместили с самообучением через скрытие частей изображения. Практический смысл в том, что медицинские и биологические наборы данных редко бывают идеально подписаны, а модель всё равно должна оставаться устойчивой.

Источник: arXiv

4. RetroTAC оценивает, насколько реально синтезировать молекулы для направленного разрушения белков

RetroTAC посвящён крупным модульным молекулам, которые заставляют клетку разрушать выбранные белки. Обычные оценки синтетической доступности часто несправедливо штрафуют такие конструкции, поэтому авторы учат показатель на маршрутах ретросинтеза и делают его понятным человеку. Это полезно для раннего отбора лекарственных кандидатов: меньше шансов гнаться за молекулой, которую трудно собрать в лаборатории.

Источник: arXiv

5. Модель с электронной плотностью улучшает прогноз свойств молекул

Авторы используют электронную плотность как структурированный вход для прогноза молекулярных свойств и одновременно накладывают физическое условие: эта плотность должна быть минимумом вспомогательного функционала. Идея сильна тем, что не сводит химию к одной геометрии молекулы, а добавляет ограничение из квантовой физики.

Источник: arXiv

6. Машинно обученный потенциал объясняет фасетирование двойниковых границ в бета-олове

Исследователи используют молекулярную динамику с машинно обученным межатомным потенциалом, чтобы изучить, как дислокации влияют на фасетирование двойниковых границ в бета-олове. Это не абстрактная задача: оловянные сплавы важны для припоя и надёжности электроники, где микроструктура материала влияет на срок службы устройств.

Источник: arXiv

7. Графовая модель ускоряет поиск катализаторов на основе циркония

Работа расширяет графовую гауссову модель признаками электронной структуры и локального окружения, чтобы быстрее оценивать энергии адсорбции и переходных состояний на поверхностях легированного диоксида циркония. Задача связана с гидрированием углекислого газа: вместо дорогих квантово-химических расчётов для каждого варианта можно сначала сузить круг перспективных допантов.

Источник: arXiv

8. TopoLIA добавляет топологические признаки в моделирование лекарственных взаимодействий

TopoLIA вводит механизм внимания для взаимодействующих объектов в задачах поиска лекарств и усиливает его спектральными топологическими признаками. Смысл в том, чтобы модель училась не только «кто с кем связан», но и как именно информация должна передаваться между партнёрами взаимодействия. Это может помочь там, где обычное внимание плохо отражает сложную биологическую структуру.

Источник: arXiv

9. ИИ восстанавливает сеть нарушений костного мозга при диабете из научной литературы

Авторы использовали три большие языковые модели, а затем проверку исследователями, чтобы собрать регуляторную сеть диабетических нарушений костного мозга. Итоговая сеть содержит 62 биологических объекта и 79 направленных связей, сверенных с курируемыми базами знаний. Это хороший пример ИИ не для краткого пересказа статей, а для построения проверяемой карты механизма болезни.

Источник: arXiv

10. ИИ-помощь в механике продвигает задачу устойчивости вокруг форм Эшелби

Эта работа использует ИИ-поддержку в теоретической механике, но оставляет центральное место математической и физической проверке. Речь идёт о количественной устойчивости задач, связанных с гипотезой Эшелби: когда форма включения даёт особое поведение поля внутри материала. Ценность не только в результате, но и в аккуратном образце того, как ИИ можно встроить в строгую теоретическую науку без подмены доказательства автоматической догадкой.

Источник: arXiv