🔬 Как ИИ становится коллегой по лаборатории. Исследование от Anthropic….

🔬 Как ИИ становится коллегой по лаборатории. Исследование от Anthropic.

Компания Anthropic опубликовала результаты использования Claude в научных исследованиях, и пусть туда и вошли наверняка только самые комплиментарные примеры, но почему бы и нет, хорошие кейсы мы любим.

🔹Biomni

Любой биолог завален кучей прикладных инструментов: для анализа генов нужна одна программа, для белков другая, для статистики третья. Сотни баз данных, десятки протоколов, и всё это надо как-то освоить. Команда из Стэнфорда собрала более 300 научных инструментов в одну систему под названием Biomni. Просто пишешь ей по-человечески, что тебе нужно, а система сама разбирается, какие ресурсы для этого лучше использовать.

Для понимания, они приводят пример из жизни. Геномное исследование ассоциаций (GWAS) обычно занимает месяцы. Нужно очистить данные, учесть кучу факторов, разобраться, что вообще означает каждая найденная генетическая вариация. Biomni справился с этим за 20 минут. Или другой случай. Собирались данные с носимых устройств от 30 человек (глюкометры, фитнес-трекеры, более разных 450 файлов). Эксперту потребовалось бы минимум три недели на анализ. Biomni выдал готовый результат анализа за 35 минут.

Конечно, система не какая-то волшебная палочка. Учёные встроили туда предохранители, чтобы отслеживать, не ушёл ли ИИ в какие-то дебри и не напридумывал ли аналогий, которых не было. А для особо специфических задач можно научить Claude действовать по методологии эксперта, буквально передав ему свой опыт в виде данных и шаблонов действий.

🔹MozzareLLM

В лаборатории Йена Чизмена в MIT используют технологию CRISPR, чтобы «выключать» тысячи генов и смотреть, что сломается. Так учёные понимают, за что каждый ген отвечает. Сама технология работает быстро, но вот интерпретировать результаты… это очень долгая история.

Раньше Чизмен всё делал сам. Он может вспомнить функции примерно пяти тысяч генов (да, такие люди ещё существуют!), но даже у него на анализ одного эксперимента уходили сотни часов.

Аспирант Маттео Ди Бернардо решил автоматизировать подход своего научного руководителя и создал MozzareLLM.

Система не просто группирует гены. Она объясняет, почему они связаны, какие хорошо изучены, какие остаются загадкой, и на что действительно стоит потратить время. Самое важное, что она показывает уровень уверенности в своих выводах. Это критично, когда решаешь, стоит ли вкладывать ресурсы в дальнейшие исследования.

🔹Лаборатория Лундберга

Не все лаборатории могут позволить себе проверять все гены разом. Один целенаправленный скрининг обходится в 20 тысяч долларов и больше. Поэтому обычно команда собирается вокруг Google-таблицы и выбирает пару сотен генов-кандидатов. На основе чего? Интуиции, опыта, того что уже изучали другие. В общем, некое угадывание на базе предпосылок.

В Лаборатории Лундберга в Стэнфорде решили подойти к задаче иначе. Они создали карту всех известных молекул в клетке и всех их взаимосвязей. Какие белки соединяются, какие гены за что отвечают, какие молекулы похожи структурно. Claude получает задачу (например, найти гены, влияющие на определённую клеточную структуру) и ищет кандидатов, основываясь на молекулярных свойствах.

Да, безусловно все эти системы не идеальны. Но учёные отмечают общую тенденцию, что с каждым обновлением модели становятся заметно умнее. То, что ещё недавно казалось невозможным, сегодня используется в реальных исследованиях реальных лабораторий и экономит часы монотонной работы и часто избавляет от ошибок "человеческого фактора".

🔗 Читать оригинальную статью: Accelerating Scientific Research — Anthropic