В индустрию AI для научных исследований вливаются миллиарды долларов. Стартапы и крупные технологические компании пытаются создать системы, способные самостоятельно формулировать гипотезы, планировать эксперименты и интерпретировать результаты. Один из ярких примеров - Lila Sciences, где AI-модели отбирали последовательности мРНК для вакцин, но результаты лабораторных тестов поставили исследователей в тупик: модели выдавали предсказания, которые не подтверждались на практике.
Несмотря на текущие сложности, вера в потенциал AI в науке остается высокой. Инвесторы вкладывают средства в проекты, обещающие ускорить открытие лекарств, материалов и фундаментальных законов природы. Ключевая идея - AI может обрабатывать огромные массивы данных и находить неочевидные закономерности, что в перспективе способно привести к созданию «суперинтеллекта», превосходящего человеческие возможности в научном познании.
Пока что AI-системы демонстрируют успехи в узких задачах, таких как предсказание структуры белков или оптимизация химических реакций. Однако до полноценного автономного исследователя, способного конкурировать с учеными-людьми, еще далеко. Главный вызов - научить модели не просто коррелировать данные, но и понимать причинно-следственные связи, а также генерировать действительно новые, проверяемые гипотезы.
#Ai #Science #Research #Biotech
Please open Telegram to view this post
VIEW IN TELEGRAM
🤔1
💰 Insilico и SK Biopharm заключили сделку по AI-открытию лекарств на $2.5 млрд
Insilico Medicine подписала соглашение с южнокорейской SK Biopharmaceuticals на сумму до $2.5 млрд. Сделка предусматривает использование AI-платформы Insilico для разработки кандидатов в лекарства в области онкологии, метаболических и иммунных заболеваний. Большая часть выплат приходится на этапы клинических испытаний и коммерциализации.
По условиям соглашения, Insilico получит авансовый платеж, а затем поэтапные выплаты за достижение целей по разработке и продажам. SK Biopharm получает эксклюзивные права на разработку и коммерциализацию препаратов на целевых рынках, включая Корею, Китай и Японию. Insilico сохраняет права на другие регионы.
Сделка отражает растущий интерес фармкомпаний к AI-платформам для ускорения доклинических исследований. Insilico уже имеет несколько собственных кандидатов в клинических испытаниях, включая препарат для лечения идиопатического легочного фиброза.
#Ai #Biotech #Medicine #Insilico #SKBiopharm
Insilico Medicine подписала соглашение с южнокорейской SK Biopharmaceuticals на сумму до $2.5 млрд. Сделка предусматривает использование AI-платформы Insilico для разработки кандидатов в лекарства в области онкологии, метаболических и иммунных заболеваний. Большая часть выплат приходится на этапы клинических испытаний и коммерциализации.
По условиям соглашения, Insilico получит авансовый платеж, а затем поэтапные выплаты за достижение целей по разработке и продажам. SK Biopharm получает эксклюзивные права на разработку и коммерциализацию препаратов на целевых рынках, включая Корею, Китай и Японию. Insilico сохраняет права на другие регионы.
Сделка отражает растущий интерес фармкомпаний к AI-платформам для ускорения доклинических исследований. Insilico уже имеет несколько собственных кандидатов в клинических испытаниях, включая препарат для лечения идиопатического легочного фиброза.
#Ai #Biotech #Medicine #Insilico #SKBiopharm
👍1
Anthropic объявила о запуске внутренних программ по открытию лекарств для заболеваний, которые крупные фармацевтические компании считают нерыночными. Компания сосредоточится на ранней доклинической разработке, заявив, что это соответствует её некоммерческой миссии и позволит на практике улучшить ИИ-модели для всей индустрии. Анонс прозвучал на мероприятии, посвящённом новому научному инструменту Claude Science.
В ходе презентации также привели примеры ускорения исследований: исследователь из UCSF с помощью Claude Science за минуты выявил вирусное загрязнение, которое его команда пропускала целый год. Кроме того, Claude проанализировал 100 редких генетических заболеваний менее чем за час и отобрал 32 кандидата для вычислительного скрининга.
Глава Novartis Вас Нарасимхан отметил, что вывод лекарства на рынок сейчас занимает около 12 лет. ИИ способен сократить информационные и операционные задержки (около 40% времени) до 7–8 лет, а также удвоить долю успешных кандидатов с 8% до 16%. Даже такие «скромные» улучшения, по его словам, могут кардинально изменить отрасль, где крупные компании тратят $150–200 млрд в год на R&D.
#AI #Anthropic #Medicine #Drugdiscovery #ClaudeScience #BioTech
Please open Telegram to view this post
VIEW IN TELEGRAM
⚡1🔥1💯1
Команда Технического университета Дании (DTU) в свободное от основной работы время и на остатки бюджета от других проектов показала, что квантовый компьютер может повысить точность генеративных моделей ИИ для открытия лекарств. Исследователи объединили свою модель предсказания белков с квантовым компьютером размером с принтер от британского стартапа ORCA Computing. Гибридная система ускорила работу ИИ за счет связки квантовых и классических процессоров.
С помощью этой техники ученые сгенерировали новые пептиды - короткие цепочки аминокислот, способные связываться с определенными белками в организме. Это ключевой этап в разработке вакцин. Лабораторные тесты показали, что гибридная модель создала более успешные пептиды, чем классический аналог, причем наибольший прирост качества наблюдался в условиях нехватки обучающих данных. Руководитель проекта Тимоти Патрик Дженкинс объяснил, что команда работала по выходным, так как «большинство инновационных исследований слишком пугают фонды».
Исследователи считают, что такой подход может ускорить создание персонализированных иммунотерапий и вакцин, а также повысить эффективность лекарств для малоизученных групп населения. Проблема нехватки данных о генетическом разнообразии жителей Азии и Африки, по словам Дженкинса, является серьезным вызовом. Команда предположила, что квантовый компьютер сможет генерировать более разнообразные пептиды, особенно для целей с ограниченными данными, основываясь на аналогичном эффекте в генерации изображений.
Однако процесс пока далек от революции: квантовые компьютеры все еще слишком малы для полноценного запуска передовых моделей ИИ. Как отметил аспирант DTU Джонатан Фанк, уровень сложности не позволил работать с антителами обычного размера. Генеральный директор ORCA Computing Ричард Мюррей подчеркнул, что работа демонстрирует ближайшее коммерческое применение квантовых технологий. Команда DTU планирует протестировать метод на более крупных белках и передовых моделях, а также применить его для создания синтетических антидотов от змеиного яда.
#AI #QuantumComputing #DrugDiscovery #Biotech
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
🧬 Работа Стэнфорда и Arc Institute о вирусах, спроектированных ИИ, вышла в Science
Исследование команды Брайана Хи из Стэнфорда и Arc Institute прошло рецензирование и опубликовано в Science. Учёные использовали геномные языковые модели Evo 1 и Evo 2, чтобы спроектировать с нуля полные геномы бактериофага φX174 — вируса, атакующего кишечную палочку. Из 302 синтезированных и внедрённых в бактерии последовательностей 16 дали жизнеспособные фаги: они размножались, разрушали клетки-хозяева и образовывали бляшки, а электронная микроскопия подтвердила наличие вирусных частиц. Часть вариантов оказалась эффективнее природного прототипа.
Модели сначала обучались на огромном корпусе ДНК — Evo 2 захватил около 9,3 триллиона нуклеотидов примерно из 128 тысяч организмов, — а затем дообучались на семействе φX174 с его 11 генами и близких родственниках. Идея в том, что обширный обучающий корпус позволяет модели уловить, какие последовательности эволюционно консервативны: комбинаций нуклеотидов астрономически много, но лишь малая их доля биологически жизнеспособна. Принципиальное отличие от прошлых работ — не точечное редактирование генов, а генерация целого работающего генома.
Эксперты называют результат важной вехой, но без завышенных ожиданий: полученные фаги остаются очень похожими на природные, никаких принципиально новых форм жизни ИИ не изобрёл. Переход от 5-килобазного вирусного генома к бактериальному или тем более эукариотическому — задача другого порядка сложности, где упираются в сборку, совместимость и «запуск» клетки. Открыт и вопрос, сработает ли подход на других группах вирусов. Ближайшее практическое применение авторы видят в фаговой терапии как альтернативе антибиотикам при устойчивых инфекциях и в создании вирусных векторов доставки.
Отдельный сюжет — биобезопасность. Политика NIH запрещает эксперименты, делающие патогены опаснее, но чисто вычислительное проектирование вирусной ДНК под действующие ограничения не подпадает. Авторы приняли меры сами: обучающие данные не содержали вирусов, заражающих человека, так что модель не способна генерировать такие геномы. Наблюдатели тем не менее отмечают, что похожие методы в других руках могут быть перенаправлены на патогены человека, и что открытая публикация весов Evo 2 снижает порог входа не только для академических лабораторий.
#AI #Science #BioTech #Stanford #ArcInstitute
Исследование команды Брайана Хи из Стэнфорда и Arc Institute прошло рецензирование и опубликовано в Science. Учёные использовали геномные языковые модели Evo 1 и Evo 2, чтобы спроектировать с нуля полные геномы бактериофага φX174 — вируса, атакующего кишечную палочку. Из 302 синтезированных и внедрённых в бактерии последовательностей 16 дали жизнеспособные фаги: они размножались, разрушали клетки-хозяева и образовывали бляшки, а электронная микроскопия подтвердила наличие вирусных частиц. Часть вариантов оказалась эффективнее природного прототипа.
Модели сначала обучались на огромном корпусе ДНК — Evo 2 захватил около 9,3 триллиона нуклеотидов примерно из 128 тысяч организмов, — а затем дообучались на семействе φX174 с его 11 генами и близких родственниках. Идея в том, что обширный обучающий корпус позволяет модели уловить, какие последовательности эволюционно консервативны: комбинаций нуклеотидов астрономически много, но лишь малая их доля биологически жизнеспособна. Принципиальное отличие от прошлых работ — не точечное редактирование генов, а генерация целого работающего генома.
Эксперты называют результат важной вехой, но без завышенных ожиданий: полученные фаги остаются очень похожими на природные, никаких принципиально новых форм жизни ИИ не изобрёл. Переход от 5-килобазного вирусного генома к бактериальному или тем более эукариотическому — задача другого порядка сложности, где упираются в сборку, совместимость и «запуск» клетки. Открыт и вопрос, сработает ли подход на других группах вирусов. Ближайшее практическое применение авторы видят в фаговой терапии как альтернативе антибиотикам при устойчивых инфекциях и в создании вирусных векторов доставки.
Отдельный сюжет — биобезопасность. Политика NIH запрещает эксперименты, делающие патогены опаснее, но чисто вычислительное проектирование вирусной ДНК под действующие ограничения не подпадает. Авторы приняли меры сами: обучающие данные не содержали вирусов, заражающих человека, так что модель не способна генерировать такие геномы. Наблюдатели тем не менее отмечают, что похожие методы в других руках могут быть перенаправлены на патогены человека, и что открытая публикация весов Evo 2 снижает порог входа не только для академических лабораторий.
#AI #Science #BioTech #Stanford #ArcInstitute
🤨1🤝1
Исследователи Google DeepMind выпустили AlphaGenome Atlas — базу предвычисленных предсказаний модели AlphaGenome для всех возможных одиночных замен нуклеотидов в референсном геноме человека. Учёным больше не нужно самим писать код и запускать вычислительно сложную модель: достаточно выбрать интересующий вариант и посмотреть его прогнозную оценку.
Модель AlphaGenome сравнивает исходную и изменённую последовательности ДНК и предсказывает, как мутация повлияет на регуляцию генов. В атласе появилась новая функция — единый балл воздействия, который показывает значимость варианта с первого взгляда. Полный датасет занимает около петабайта. Чтобы собрать его, команде пришлось ускорить расчёты в 80 раз за счёт дистилляции модели, оптимизации GPU-ядер и устранения избыточных вычислений.
У ресурса есть ограничения: модель не оценивает комбинации мутаций, а некоторые регуляторные элементы работают за пределами её поля зрения. Тем не менее атлас позволит исследователям отсеивать заведомо незначимые варианты и планировать лабораторные эксперименты. Данные доступны бесплатно для некоммерческого использования, коммерческое лицензирование возможно отдельно. AlphaGenome Atlas продолжает линию DeepMind в геномике после AlphaFold и AlphaMissense.
#AI #Science #BioTech #GoogleDeepMind
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥1👌1
Anthropic подтвердила TechCrunch, что управляет «мокрой» биолабораторией в районе залива Сан-Франциско, где её ИИ-модели проводят реальные физические эксперименты. Глава направления life sciences Эрик Каудерер-Абрамс заявил Reuters: «Мы считаем, что для биологии финальный тест ещё долго будет проходить в реальной лаборатории. Мы абсолютно точно делаем это сегодня».
Основной фокус лаборатории - фундаментальная биология, а не разработка лекарств: Anthropic не хочет выглядеть конкурентом фармкомпаний, среди которых у неё крупные клиенты и партнёры (например, недавняя сделка с Novo Nordisk по совместному поиску препаратов). В апреле компания купила stealth-биотех Coefficient Bio примерно за $400 млн. На этой неделе также запущена Life Sciences Verification Program - проверенные исследователи получат доступ к самым мощным моделям Anthropic.
Контекст добавляет иронии: на фоне предупреждений о биорисках ИИ и заявлений Дарио Амодеи о том, что ИИ способен вылечить большинство болезней за 5-10 лет, появление собственной wet lab вызвало насмешки в индустрии. Инвестор Чамат Палихапития съязвил в X: «Группа, подарившая нам хиты "Мы все умрём" и "Отрегулируйте нас", строит мокрую лабораторию в Сан-Франциско. Не рекомендую».
#AI #Research #Anthropic #BioTech #LifeScience
Please open Telegram to view this post
VIEW IN TELEGRAM
👏1🕊1
Учёные и AI-модели пока не располагают достаточными данными, чтобы корректно интерпретировать ДНК. Геном внутри клеток - не просто набор инструкций, а динамическая система, которая меняется и работает в сложном контексте.
Как отмечает Wired, современным AI-инструментам не хватает репрезентативных данных и понимания биологических механизмов. Из-за этого модели могут находить закономерности, но пока не способны надёжно объяснять, как эти закономерности связаны с реальной работой генома.
Это ограничивает применение ИИ в геномике: от поиска причин заболеваний до персонализированной медицины. Для прорыва нужны не только более мощные модели, но и качественные наборы данных, учитывающие динамику и контекст ДНК.
🎨 qvabo.studio/tg · картинки и видео
#AI #Genomics #Biotech #Research #Wired
Please open Telegram to view this post
VIEW IN TELEGRAM
✍1👌1