LLM

Статья, опубликованная в журнале npj Digital Medicine 1 октября 2026 года, исследует проблему психологического дистресса пользователей, возникающего при взаимодействии с большими языковыми моделями (LLM). Особое внимание уделяется феномену «сцифантических» (лестьщих) ответов, когда ИИ некритично подтверждает убеждения пользователя, что может препятствовать здоровой эмоциональной регуляции. Авторы аргументируют необходимость разработки более гибких и эмоционально осознанных ИИ-систем, способных адаптироваться к эмоциональному состоянию пользователя. Исследование ставит целью преодоление бинарного подхода, где ИИ либо холоден, либо излишне комплиментарен, предлагая путь к созданию агентов, которые способствуют психическому благополучию. Работа подчеркивает важность интеграции психологических принципов в разработку интерфейсов и логики отклика ИИ. Это имеет прямое отношение к регулированию и этике применения ИИ в ментальном здоровье и телемедицине. Статья предлагает концептуальную основу для будущих исследований в области человеко-компьютерного взаимодействия с акцентом на эмоциональный интеллект машин.

В статье рассматривается стремительное развитие возможностей больших языковых моделей (LLM) в области геномики на примере личного опыта исследователя Эуэна Эшли. Если в 2009 году расшифровка и анализ всего генома человека требовали команды из 30 специалистов и почти года работы, то в 2026 году модель Claude справилась с этой задачей за 30 минут при стоимости около 5 долларов. Автор подчеркивает не только технологический прорыв в скорости и доступности генетического анализа, но и критическую необходимость разработки стандартов валидации и интерпретации результатов, полученных с помощью ИИ. Поднимается вопрос о том, как обеспечить надежность, безопасность и клиническую применимость таких автоматизированных выводов, чтобы они могли быть интегрированы в медицинскую практику. Статья акцентирует внимание на том, что технологическая возможность не равна клинической готовности, и требует внедрения строгих протоколов контроля качества ИИ-анализа геномных данных.

В статье исследуется возможность сокращения разрыва между большими языковыми моделями (LLM) и специализированными моделями для предсказания вариантов белков за счет увеличения объема биологических доказательств, а не изменения параметров самой модели. Авторы предлагают метод BioEvidence — обучаемый без дообучения и независимый от архитектуры интерфейс, который преобразует структурную и эволюционную информацию из стандартных биологических инструментов в компактные доказательства для замороженных LLM. На бенчмарке ProteinGym демонстрируется эффект масштабирования доказательств: производительность улучшается по мере обогащения данных, причем структурные и эволюционные доказательства дают синергетический эффект при комбинировании. Важно отметить, что использование некорректных доказательств для неверных вариантов снижает точность даже ниже базового уровня без доказательств. Метод позволяет достичь уровня специализированных предикторов в задачах нулевого обучения, причем улучшение сохраняется на данных, выпущенных после момента остановки обучения модели. Результаты показывают, что внешние доказательства являются дополнительной осью масштабирования для научных предсказаний наряду с возможностями модели и усилиями на рассуждение.

В статье представлен метод GroundAnnot, направленный на решение проблемы галлюцинаций больших языковых моделей (LLM) при биологической аннотации генов. Исследователи разработали клиентское ПО, которое интегрируется с популярными бэкендами обогащения (PANTHER, Enrichr, g:Profiler) и накладывает строгие ограничения на вывод моделей: LLM может использовать только те идентификаторы терминов Gene Ontology (GO) и их метки, которые реально возвращены бэкендом. Эксперименты с тремя моделями (Qwen2.5-7B, Qwen3.8-27B и GPT-OSS-120B) на наборах генов заболеваний показали, что без ограничений валидность обогащения составляла всего 15,3–35,1%. Ключевой вывод: использование ограниченного словаря (closed vocabulary) полностью устранило генерацию несуществующих или неуместных биологических терминов, повысив надежность интерпретаций. Хотя модели все еще допускали ошибки в сопоставлении ID с актуальными описаниями, внедрение жестких контрактов на входные данные значительно повысило точность и доверие к ИИ-ассистентам в биоинформатике.

В исследовании, опубликованном в Nature Machine Intelligence, авторы Ли и Лай представляют инновационный подход к решению фундаментальной проблемы вычислительного дизайна лекарств: генерируемые алгоритмами молекулы часто оказываются химически несинтезируемыми. Для решения этой задачи они применили большие языковые модели (LLM), обученные предсказывать точные структурные правки, необходимые для превращения гипотетической молекулы в реально существующую. Методология основана на использовании LLM не для генерации с нуля, а для итеративного редактирования существующих структур, что позволяет сохранять ключевые фармакологические свойства исходного соединения. Результаты показывают, что предложенный подход превосходит традиционные методы оптимизации синтезируемости по эффективности и точности. Исследование демонстрирует высокую значимость ИИ-подходов для ускорения доклинических этапов разработки препаратов, сокращая время и затраты на синтез перспективных кандидатов. Данный метод открывает новые возможности для интеграции ИИ в рутинные рабочие процессы фармацевтических компаний.

В данном исследовании проводится сравнительная оценка эффективности трех больших языковых моделей (LLM) — Claude-Sonnet-4.6, Grok-4 и ChatGPT-5 — в задачах пренатальной диагностики по сравнению с двумя врачами-клиницистами. Для оценки использовался набор из 125 вопросов, взятых из национального стандартизированного квалификационного экзамена по пренатальному ультразвуковому скринингу в Китае. Исследование показало, что общая точность ответов не имела статистически значимых различий между моделями и врачами: главный врач набрал 89,60% (112/125), Claude-Sonnet-4.6 — 85,60% (107/125), Grok-4 — 84,80% (106/125), ChatGPT-5 — 84,00% (105/125), а врач-ординатор — 80,00% (100/125). Однако при детализации по типам вопросов выявились существенные различия: в задачах на основе клинических случаев (n=20) главный врач значительно превзошел все модели (95,00% против 70,00% у лучшей модели, Grok-4), что указывает на пробелы в сложном клиническом рассуждении у ИИ. В последовательных наборах вопросов Grok-4 (95,74%) и главный врач (93,62%) показали лучшие результаты по сравнению с врачом-ординатором (76,60%). Авторы приходят к выводу, что современные LLM могут служить мощными инструментами для расширения знаний, но пока не готовы к автономному выполнению роли клинического рассудителя в такой сложной и этически значимой области, как пренатальная диагностика.

В данном масштабном обзоре (scoping review) систематизированы данные о применении больших языковых моделей (LLM) в медицинской сфере, охватывающий период с 2019 по апрель 2026 года. Исследование включало анализ 78 релевантных работ, из которых 68% были опубликованы в период с 2023 по 2025 год, что указывает на стремительный рост интереса к теме. Выделено пять ключевых областей применения: клиническая документация и суммаризация, поддержка принятия врачебных решений, коммуникация с пациентами, биомедицинские исследования и административные процессы. Анализ показал, что подавляющее большинство исследований (89%) носят характер бенчмарков или симуляций, тогда как реальные проспективные оценки в рабочих процессах составляют лишь 11%. Среди выявленных преимуществ отмечены повышение эффективности документооборота и качества текстов, однако зафиксированы серьезные риски: галлюцинации моделей, упущение критически важной клинической информации, демографические предубеждения, уязвимости конфиденциальности и автоматизированная предвзятость. Авторы предлагают многомерную структуру оценки и управления, включающую пять измерений: техническую производительность, клиническую валидность, справедливость (equity), интеграцию в рабочий процесс и управление (governance), а также трехуровневую модель риска. Работа подчеркивает необходимость проспективной оценки, стандартизированной отчетности и непрерывного мониторинга для безопасного внедрения LLM в здравоохранение.

В данном исследовании оценивается способность больших языковых моделей (LLM), в частности ChatGPT-4o и Gemini 3 Pro, точно оценивать транскрибированные симулированные взаимодействия между стандартизированными пациентами и студентами-медиками, а также генерировать полезную нарративную обратную связь. Исследование проводилось в рамках одного центра с участием 12 пар «врач-пациент», где оценки LLM сравнивались с оценками врача-рецензента, использующего золотой стандарт рубрики, включающей 55 элементов сбора анамнеза и 19 элементов презентации случая для оценки диагностического мышления, планирования лечения и консультирования пациентов. Результаты показали высокую степень согласия между LLM и врачом при оценке элементов сбора анамнеза (коэффициент каппы Коэна κ = 0,84–0,89; внутриклассовые коэффициенты корреляции ICC = 0,93–0,97), тогда как согласие при оценке презентации случая было умеренным (κ = 0,62–0,72; ICC = 0,61–0,83). Обе модели сгенерировали подробную, точную и клинически полезную нарративную обратную связь, которая была дополнительно оценена независимыми экспертами. Авторы делают вывод, что LLM могут надежно оценивать симулированные взаимодействия врач-пациент, что открывает возможности для стандартизированной оценки клинической коммуникации в исследовательских целях, улучшении качества медицинской помощи и медицинском образовании. Это исследование демонстрирует практическую применимость ИИ для автоматизации сложного процесса оценки коммуникативных навыков медицинских работников, снижая субъективность и временные затраты на ручную оценку.

В статье, опубликованной в журнале npj Digital Medicine 25 сентября 2026 года, представлена модель LEME (Large language model for Ophthalmology with advanced reasoning and clinical validation) — специализированная большая языковая модель, разработанная для решения сложных задач в области офтальмологии. Исследователи акцентируют внимание на внедрении механизмов продвинутого логического рассуждения (advanced reasoning), что позволяет модели не просто извлекать информацию, но и анализировать клинические случаи, связывая симптомы с диагнозами и рекомендациями по лечению. Ключевой особенностью работы является проведение клинической валидации, что подтверждает практическую применимость и безопасность модели в реальных медицинских условиях. Модель является открытой (open source), что способствует её интеграции в различные медицинские информационные системы и дальнейшему развитию сообщества. Результаты исследования демонстрируют высокую точность в задачах дифференциальной диагностики и интерпретации клинических данных по сравнению с общими языковыми моделями. Значимость работы заключается в создании надежного инструмента поддержки принятия врачебных решений, способного снизить нагрузку на офтальмологов и улучшить доступность качественной диагностики. Авторы подчеркивают важность прозрачности и воспроизводимости результатов при использовании ИИ в критически важных областях медицины.

Авторы представляют OmicsResonance — облачную веб-платформу, предназначенную для упрощения анализа данных одноядерной РНК-секвенирования (scRNA-seq). Основная проблема, которую решает инструмент, заключается в высоких вычислительных барьерах и необходимости программирования, что затрудняет работу для многих биологов. Платформа позволяет выполнять полный цикл анализа прямо в браузере без локальной установки программного обеспечения. Ключевой инновацией является интеграция больших языковых моделей (LLM) для автоматической аннотации клеток, что значительно ускоряет интерпретацию результатов. Помимо базовой обработки, система включает продвинутые модули для вывода псевдовремени, профилирования копийных вариаций (CNV) и симуляции виртуальных нокаутов. Архитектура платформы построена на принципах «обоснованного анализа», позволяя пользователям динамически настраивать параметры и мгновенно визуализировать биологические эффекты, избегая использования «черных ящиков». Валидация на трех публичных наборах данных подтвердила способность инструмента воспроизводить установленные научные выводы и облегчать их интерпретацию. Решение направлено на демократизацию сложных вычислительных конвейеров, делая передовые методы биоинформатики доступными для исследователей без глубоких навыков программирования.

В статье представлен программный прототип для безопасного локального хранения клинических и гистологических данных при ожирении с использованием LLM в режиме Chain-of-Thought для структурирования информации об окислительном стрессе. Исследование демонстрирует возможность интеграции разнородных биомедицинских параметров с помощью разговорного ИИ без передачи данных на внешние серверы, хотя автоматическая сегментация изображений пока не реализована.

В статье представлен замкнутый языковой агент для оптимизации лекарственных соединений, сочетающий контекст мишени и стартового хита, поиск в PubMed, инструменты оценки свойств молекул, докинг и обратную связь от ранее оцененных аналогов. Исследование проведено в виде вычислительного бенчмарка на шести киназах, где агент показал наилучшие результаты по агрегированному баллу в четырех случаях. Анализ показал, что преимущество агента связано с удержанием обратной связи и поиском в областях высокого QED, а не только с докингом. На примере EGFR продемонстрирована траектория оптимизации от эрлотиниба. Результаты представляют собой гипотезы для последующего экспериментального тестирования, а не валидированные лидеры.

В статье представлена новая интегрированная система AnewDDE, объединяющая этапы предсказания структуры, оценки аффинности, дизайна молекул и экспериментального принятия решений в единый замкнутый цикл. Платформа включает несколько ключевых компонентов: AnewFold для предсказания структур сложных комплексов (антитело-антиген, молекулярный клей), AnewDesign для генерации биндеров с высокой аффинностью, AnewAffinity для быстрой оценки энергии связывания и AnewMind — большую языковую модель (LLM) на сотни миллиардов параметров для научного рассуждения и предсказания ADMET-свойств. В ходе кампании по поиску нанотел AnewDesign достиг успеха в 10,7% случаев, выявив биндеры с наномолярной аффинностью, что существенно снижает экспериментальную нагрузку. Модель AnewAffinity демонстрирует точность, приближающуюся к методам возмущения свободной энергии (FEP), но работает со скоростью, достаточной для высокопроизводительного скрининга. Для оценки LLM AnewMind разработан внутренний бенчмарк PharmBench, показавший конкурентоспособность модели с ведущими фронтальными решениями в задачах долгосрочного принятия решений. Система позиционируется как инструмент для решения сложных терапевтических задач и масштабного перевода молекулярных инсайтов в экспериментально подтвержденные кандидаты.

В исследовании оценивается способность агентов на основе больших языковых моделей (LLM) выполнять две различные задачи в биоинформатике: оркестровку рабочих процессов и биологическую интерпретацию данных. Для этого была разработана система Genome Skeptic, где детерминированные инструменты генерируют измерения последовательностей, а ИИ-контроллер запрашивает дополнительные анализы только из заранее определенного реестра. В проспективном слепом когорте из 20 геномов модель GPT-5.6 Sol, действовавшая как контролер рабочего процесса, достигла точности 18 из 20 правильных ответов, что сопоставимо с фиксированными стратегиями, но потребовала на 32-47% меньше дополнительных анализов. Однако когда та же модель получила полномочия окончательного решения о состоянии доказательств, точность упала до 11 из 20, специфичность снизилась с 1.00 до 0.30, а модель не смогла исправить ошибки детерминированного анализатора. Все девять расхождений в конечных точках привели к переходу от отрицательных вызовов к неразрешенным, а не к выявлению пропущенных положительных случаев. Исследование демонстрирует, что LLM эффективны в управлении последовательностью действий, но ненадежны в биологической интерпретации результатов, что критически важно для разработки безопасных ИИ-систем в геномике.

В статье представлен метод Cell-Lens, который решает проблему потери биологической информации при применении больших языковых моделей (LLM) к данным одиночных клеток (single-cell). Традиционные подходы передают в модель лишь короткий отранжированный список генов, что лишает ИИ контекста, так как значимые маркеры могут выпадать из выборки. Cell-Lens использует обучаемое без дообучения (training-free) структурированное представление клетки в виде типизированных блоков, включающих парные измерения и маркер-подтвержденные программы. Метод был протестирован на четырех бенчмарках (CellVerse, SOAR, CellPuzzles, SC-Arena) с использованием пяти семейств моделей и показал улучшение производительности до 27.1 балла. Особый прирост эффективности наблюдается в случаях, когда ключевой РНК-маркер отсутствует в исходном списке, так как парные белковые данные сохраняют необходимый сигнал. Исследователи также создали и опубликовали бенчмарк CellSpectrum, охватывающий восемь источников и семь задач с парными модальностями, где результаты подтвердили устойчивость улучшений. Работа демонстрирует, что оптимизация входного представления данных позволяет значительно повысить качество рассуждений ИИ в биологии без необходимости переобучения самих моделей.

Статья, опубликованная в журнале npj Artificial Intelligence 8 сентября 2026 года, исследует влияние выбора шкалы оценивания на качество работы LLM-судьи (LLM-as-a-judge) — подхода, при котором большая языковая модель используется для автоматической оценки ответов других моделей. Авторы провели систематическое сравнение нескольких распространённых шкал (0–5, 0–10, 0–100 и другие) на наборе задач из медицинской и общей областей. Ключевой результат: согласованность оценок LLM с оценками экспертов-людей оказалась максимальной при использовании шкалы 0–5, тогда как более дробные шкалы приводили к снижению точности и увеличению разброса. Исследование также показало, что на шкале 0–5 LLM-судья демонстрировал меньшую склонность к предвзятости по длине ответа и лучше различал качественные ответы. Работа имеет прямое практическое значение для разработки систем автоматической оценки в медицинских приложениях, где точность и воспроизводимость оценок критически важны, например, при валидации ответов диагностических ассистентов или оценке качества клинических рекомендаций, сгенерированных ИИ.

В пилотном исследовании оценивалось использование больших языковых моделей (LLM) и языка клинического качества (CQL) для извлечения признаков и определения исходов миокардита из данных FHIR пациентов с вакцинацией от COVID-19. Метод с LLM и улучшенный CQL показали высокую точность в определении исходов (23 из 25), при этом LLM превосходно справился с симптомами и визуализационными признаками, а простой CQL — с биомаркерами. Результаты подтверждают возможность использования LLM для вычислимых фенотипов в постмаркетинговом надзоре.

В исследовании изучается возможность использования GPT-4o для автоматической генерации бинарных меток заболеваний из радиологических отчетов и применения этих меток для обучения сверточных нейронных сетей (ResNet-18, DenseNet-121, EfficientNet-B1, ConvNeXt-Tiny) для классификации рентгенограмм грудной клетки. GPT-4o достиг точности 92,9% по сравнению с экспертными метками, а ConvNeXt-Tiny показал наилучшую производительность (AUC=0,832). Подход предлагает масштабируемое и экономичное решение для скрининга в условиях ограниченных ресурсов.

Статья представляет MErlin (Methylation-driven Expression & Regulation Linkage in Interacting Nuclear-domains) — открытый мультиомиксный инструментарий для анализа бактериальных метиломов, интегрирующий данные модифицированных оснований, аннотации генома, инвентаризацию мотивов, генотипы метилтрансфераз, уровень транскриптов, положение реплихоры и конформацию хромосомы. Инструмент состоит из 17 композируемых модулей, которые преобразуют данные от basecalled modBAM-файлов до ранжированных генных доказательств и автономного HTML-отчёта. MErlin распространяется как обычный Python-пакет и как «навык агента» — структурированный, версионируемый слой процедурных знаний, позволяющий LLM-ассистенту (например, Claude) выбирать и запускать проверенные операции без генерации новых реализаций анализа. Такой подход рассматривает естественный язык как интерфейс к фиксированным аналитическим операциям, а не как замену протестированному научному ПО. Навык кодирует правила выбора модулей, обязательные предварительные проверки, вопросы, требующие участия человека, ограничения «дизайн-инференс» и руководство по интерпретации. Авторы описывают архитектуру и статистику MErlin, валидируют его на синтетическом наборе данных с заложенной истиной и демонстрируют разговорный интерфейс на реальном сравнении метилом-транскриптом у Pseudoalteromonas haloplanktis TAC125. MErlin доступен на GitHub (https://github.com/IacopoPasseri/MErlin) и представляет собой значимый шаг к использованию LLM в биоинформатике, делая сложные эпигеномные анализы доступными через естественный язык.