foundation models

В статье представлена PSICHIC+, новая базовая модель искусственного интеллекта, предназначенная для предсказания распределений сродства связывания лигандов с белками непосредственно из их последовательностей. Модель обучена на массиве из примерно 82 миллионов записей о взаимодействии белок-лиганд, используя распределительную целевую функцию, которая сохраняет количественное разрешение и учитывает вариативность надежности исходных данных. PSICHIC+ способна предсказывать аффинность связывания за миллисекунды, что делает её крайне эффективной для высокоскоростного виртуального скрининга. В бенчмарках нулевого обучения (zero-shot), не требующих дообучения на данных конкретной мишени, модель демонстрирует лучшее обогащение активных соединений по сравнению с традиционными методами регрессии и классификации, конкурируя с ведущими методами, основанными на структурных данных. В лабораторных кампаниях с использованием итеративного подхода (lab-in-the-loop) распределительное руководство улучшило выявление высокоактивных соединений в рамках фиксированных бюджетов скрининга. Комбинация PSICHIC+ с моделью Boltz-2 позволила улучшить предсказание аффинности на этапе оптимизации от хита к лид-кандидату, достигая средней корреляции, близкой к результатам метода FEP+, но без необходимости использования высокодетализированных структур белков. Результаты подтверждают, что распределительное обучение является масштабируемым подходом к использованию гетерогенных данных биологической активности для ускорения открытия лекарств.

В исследовании оценивается способность фундаментальных моделей машинного обучения для анализа данных одиночных клеток (single-cell foundation models) к обобщению на виды, эволюционно далекие от человека. Авторы протестировали три модели: Geneformer, scGPT и UCE, а также базовые методы PCA и scVI, на данных развития Dictyostelium discoideum и Caenorhabditis elegans, которые отделились от линии человека 1,2 и 600 миллионов лет назад соответственно. Ключевым выводом стало то, что модели смогли восстановить порядок развития клеток и сохранить видовую идентичность без дополнительного обучения (zero-shot transfer). Модель UCE, использующая представления генов на основе белковых последовательностей, оказалась наиболее эффективной: она смогла обработать 97% измеренных генов, в то время как Geneformer и scGPT после маппинга ортологов использовали менее 20%. UCE стабильно превосходила нативные для вида базовые методы и показывала лучшие результаты в пяти из шести задач аннотации даже при ограничении только ортологичными генами. Это доказывает, что фундаментальные модели могут генерировать информативные эмбеддинги клеток на протяжении более чем миллиарда лет эволюции, а использование белковых последовательностей повышает полноту и точность анализа.

В статье исследуется проблема обобщения моделей предсказания структуры белок-лиганд, таких как Boltz-1, которые часто не справляются с предсказанием альтернативных конформационных состояний белка или новых сайтов связывания. Авторы демонстрируют, что это ограничение связано не с архитектурой модели, а с смещением в обучающих данных, и предлагают решение через целевую дообучение (targeted finetuning). На примере фермента хеликазы Вернера (WRN) с использованием 10 ранее неизвестных рентгеноструктурных данных, модель была дообучена для распознавания аллостерического сайта связывания и крупного конформационного изменения, блокирующего активность фермента, при этом сохранив точность предсказания для АТФ-связанного состояния. Дообученная модель успешно обобщается на различные химические серии лигандов и переносит логику конформационных изменений на другие хеликазы семейства RecQ в зависимости от последовательности сайта связывания. Этот подход создает основу для адаптации фундаментальных моделей ИИ по мере появления новых структурных и механистических данных, позволяя сетям кофолдинга улавливать индуцированные лигандами переключатели конформаций, которые отсутствуют в исходных обучающих наборах, но критически важны для биологической регуляции и разработки лекарств. Исследование подчеркивает потенциал дообучения больших языковых и структурных моделей для решения специфических задач химической биологии и поиска новых терапевтических мишеней.

HOPPR представила фундаментальную модель HOPPR EF Chest CT Narrative, которая обрабатывает 3D-объёмы КТ грудной клетки и генерирует текстовые описания характеристик изображений across лёгких, сердца, аорты и других структур. Модель обучена на данных из множественных клинических центров США с акцентом на редкие но серьёзные состояния (эмболия лёгочной артерии, пневмоторакс, переломы рёбер) и доступна через HIPAA-совместимую инфраструктуру HOPPR AI Foundry.

Исследователи представили gANCHOR — инновационную базовую модель (foundation model) для анализа CAR T-клеточной терапии, использующую иерархический гиперграфовый механизм внимания. В отличие от существующих методов, gANCHOR интегрирует генно-путевые взаимосвязи через биологически обоснованное обучение представлений, что позволяет эффективно переходить от анализа отдельных клеток к прогнозированию клинического ответа пациента. Модель демонстрирует высокую устойчивость к эффекту батч-коррекции и сохраняет биологическую консервативность данных. При тестировании на выборке из 161 пациента, охватывающей пять различных исследований CAR T-клеточной терапии, gANCHOR показала выдающийся результат с F1-score 0,87, превзойдя существующие специализированные модели одноклеточного анализа. Помимо предсказательной способности, архитектура позволила выявить воспроизводимые генные программы, связанные с эффективностью и резистентностью к терапии, что открывает новые возможности для интерпретируемой персонализированной медицины в онкоиммунологии.

Исследователи представили TifBERT — инновационную самообучающуюся архитектуру (foundation model), предназначенную для анализа данных секвенирования РНК (bulk RNA-seq) во всем транскриптоме. В отличие от существующих методов, которые полагаются на дискретизацию экспрессии или ограниченные наборы генов, TifBERT использует уникальный метод упорядочивания генов на основе TF-IDF, превращая неупорядоченные профили экспрессии в последовательности для трансформера. Модель обучалась методом маскированного моделирования генов на гармонизированных данных TCGA Pan-Cancer, охватывающих пять различных схем нормализации. В ходе тестирования на 33 типах рака TifBERT продемонстрировал точность 90,83%, показатель AUC-ROC 0,996 и MCC 0,903. Модель успешно улавливает биологию на уровне путей, достигая корреляции Пирсона 0,762 по 1387 активностям путей PARADIGM. Важным преимуществом является высокая стабильность к различным методам нормализации и способность сохранять структуру транскриптома даже на здоровых тканях (GTEx) без переобучения. TifBERT обеспечивает значительно более богатую геометрию эмбеддингов (эффективный ранг 95,6 против 6,3 у аналогов), что делает его масштабируемым инструментом для трансляционной геномики.