Четыре новые работы показывают разные стороны ИИ в биологии: от проверки громких обещаний до экономии вычислений. Ниже — результаты по аннотациям, а не независимое воспроизведение опытов. Сопоставимые показатели голосования не приведены.

Восемь методов не показали устойчивого преимущества над простым сложением эффектов генов

Исследователи проверили восемь методов на трёх наборах данных об изменении активности генов в отдельных клетках. Задача состояла в предсказании совместного изменения двух генов: каждый был известен модели по отдельности, но именно это сочетание при обучении не встречалось.

Специализированные нейросети не показывали устойчивого превосходства над простым сложением измеренных одиночных эффектов. Более сильное отклонение от такого сложения обычно сопровождалось большей ошибкой. Авторы предлагают учитывать расхождение как предупреждение при автоматическом выборе следующих экспериментов.

Почему важно: внешне убедительное предсказание ещё не доказывает, что модель выучила взаимодействие генов. Сравнение с простым исходным методом помогает понять, за что лаборатория действительно платит вычислениями. Это результат на трёх наборах данных, не приговор всем моделям клеточных процессов.

Виртуальное выключение генов связывает старение с менее согласованной реакцией клеток

В другой работе модель предсказывала последствия выключения генов по исходной активности генов в клетках человека, мыши, дрозофилы и нематоды. По аннотации, с возрастом прогнозируемая реакция на одинаковое вмешательство сильнее различается между клетками. Различия также связаны с накоплением соматических мутаций и признаками клеточного старения.

Почему важно: подход предлагает измеримую характеристику потери согласованности клеточной регуляции. Но вмешательства здесь виртуальные: это гипотеза для дальнейших лабораторных проверок, а не новый опыт по омоложению и не лечение старения.

Генеративные модели точнее восстанавливают распределение возможных эволюционных деревьев

Авторы используют поэтапное генеративное построение структуры, чтобы восстанавливать вероятностные деревья родства. На реальных и искусственных данных, включающих до 65 групп организмов, метод точнее предшествующего подхода воспроизводит распределение возможных деревьев. В более реалистичных сценариях эволюции авторы также сообщают преимущество над традиционным методом сравнения.

Почему важно: родство организмов и распространение возбудителей не всегда удаётся надёжно описать простыми предположениями. Полезно получать не только одно дерево, но и представление о возможных вариантах. Преимущество пока относится к проверенным данным и сценариям, а не ко всем задачам эволюционной биологии.

ProtModernBERT уменьшает затраты на обучение белковой модели

Исследователи модернизировали архитектуру модели аминокислотных последовательностей и проверили её на структурных задачах и оценке функций белков. Согласно аннотации, результаты близки к Amplify-120M и ProtBert при сокращении вычислений предварительного обучения до 80–90%. В сравнении с ESM2 заявлено сокращение разрыва при сопоставимом обучении, а не превосходство.

Почему важно: более экономная архитектура может сделать исследования доступнее лабораториям с небольшими вычислительными бюджетами. Результат относится к вычислительным проверкам; аннотация не описывает экспериментальное создание новых белков.

Общий урок этих работ — проверять, что именно улучшилось: точность на новых сочетаниях, описание неопределённости или стоимость обучения. Ни один из этих показателей сам по себе не заменяет биологический эксперимент.