Семь свежих препринтов с arXiv хорошо показывают, куда движется ИИ в науке: меньше универсальных обещаний, больше узких инструментов для конкретных лабораторных и вычислительных задач.

TorchCraft: проектирование связок через замороженный предсказатель структуры

TorchCraft разворачивает привычную логику белкового моделирования: вместо того чтобы только оценивать готовые молекулы, система использует замороженный предсказатель атомной структуры как двигатель проектирования. Авторы оптимизируют вероятности аминокислотных последовательностей для мини-связок, антителоподобных фрагментов, циклических пептидов и белков, связывающих малые молекулы. Важная деталь — в статье сообщается об экспериментально измеренном связывании по четырём целям без последующей ручной переработки последовательностей. Если результат выдержит независимые проверки, это делает предсказатели структуры более похожими на многоразовую инженерную платформу, а не только на инструмент проверки гипотез.

HPOQuest: редкие болезни через умные уточняющие вопросы

HPOQuest решает практичную проблему диагностики редких заболеваний: у врача часто есть только несколько фенотипических признаков, а не полный идеальный профиль пациента. Агент строит вероятностный список диагнозов и выбирает следующий наиболее полезный вопрос о признаках. На четырёх наборах данных авторы заявляют прирост до 30 процентных пунктов по первому месту и до 45 пунктов по попаданию в первые пять вариантов. Ценность здесь не в том, что система «угадывает диагноз», а в том, что она помогает собирать недостающие сведения более осмысленно.

ИИ-агент для стандартизации тяжести генетических заболеваний

Ещё одна медицинская работа описывает агента с поиском источников и пошаговым обоснованием, который разметил 10 211 терминов из онтологии человеческих фенотипов по критериям ACMG и ACOG. Авторы заявляют точность 93,55% на уровне фенотипов и согласие 95,2% с внешним списком генов. Для геномного скрининга такая разметка — скучный, но критически важный узкий участок: от неё зависит состав панелей и интерпретация риска. Самая сильная сторона подхода — не автоматизация ради автоматизации, а привязка решения к проверяемым источникам.

ALIGNN 2.0: единая графовая основа для поиска материалов

ALIGNN 2.0 переносит атомистическую графовую сеть в чистую реализацию на PyTorch и убирает зависимость от специальных графовых библиотек. В одном подходе объединены предсказание свойств, спектров, тензорных величин, атомных характеристик и силовых полей. Авторы сообщают лучшие результаты на 26 из 30 одноцелевых испытаний JARVIS и масштабирование силовых полей до ячеек со сотнями тысяч атомов. Для материаловедения это прежде всего инфраструктурная новость: меньше хрупких зависимостей и больше воспроизводимости в вычислительном поиске.

PosteriorBench: проверка полной неопределённости в научных обратных задачах

PosteriorBench предлагает оценивать порождающие решатели научных обратных задач не по одной красивой реконструкции, а по тому, насколько хорошо они восстанавливают всё распределение возможных решений. В набор входят задачи по потоку Дарси, поиску источника в уравнении Пуассона, захвату и хранению углерода, а также выводу свойств материалов по переносу света. Это важно потому, что многие измерения в науке принципиально недоопределены: уверенный единственный ответ может быть хуже честной карты неопределённости.

TP-DATE: восстановление трёхмерной динамики тканей по пространственной транскриптомике

TP-DATE расширяет оптимальный транспорт от статического сопоставления к восстановлению непрерывных траекторий в трёхмерных данных пространственной транскриптомики. Проще говоря, метод пытается понять, как меняются картины активности генов в ткани во времени, не разрушая её пространственную структуру. Авторы показывают лучшее сохранение структуры и восстановление динамики на синтетических и реальных данных. Это полезно для биологии развития и патологии, где важен не только список активных генов, но и их положение внутри ткани.

Оптимизация обучения улучшает рамановскую диагностику бактерий

Последняя работа применяет обучение с поиском более устойчивых минимумов к моделям, классифицирующим рамановские спектры бактериальных изолятов. Цель — более быстрая и переносимая диагностика, в том числе для задач устойчивости к антибиотикам. Прирост выглядит умеренным: до 10,5% точности на одном разбиении и в среднем 2,7% по сравнению с Adam. Но для небольших и шумных медицинских наборов данных даже такие улучшения могут иметь значение, если они помогают модели переноситься между приборами и выборками.

Общая линия этих работ — ИИ всё чаще встраивается в научный процесс как инструмент измерения, поиска и проверки неопределённости. Самые интересные результаты здесь не обещают заменить лабораторию; они делают отдельные узкие шаги научного цикла быстрее и прозрачнее.