ИИ в науке

- IBM и NASA предсказывают "космическую погоду": Опубликована открытая модель Surya для прогнозирования солнечных вспышек и магнитных бурь. Модель разработана IBM совместно с NASA и стала первой «фундационной» AI-моделью в гелиофизике. Surya обучена на 9 годах высокочастотных снимков Солнца (≈218 ТБ данных с обсерватории SDO) В тестах она показала на 16% более высокую точность классификации солнечных вспышек по сравнению с предыдущими методами. Более того, Surya умеет визуально прогнозировать развитие вспышки – генерировать картину likely-событий за 2 часа до их возникновения. Модель и датасеты выложены в открытый доступ на Hugging Face, чтобы учёные по всему миру могли исследовать и улучшать методы предсказания космической погоды. По словам исследователей, точные прогнозы солнечных бурь помогут защитить спутники, энергосети, связь и другую критичную инфраструктуру на Земле [science.nasa.gov]

- GPT-4b micro для биотеха: OpenAI совместно с биотех-стартапом Retro Biosciences разработали специальную модель GPT-4b micro – мини-версию GPT-4o, адаптированную для задач молекулярной биологии. Цель проекта – ускорить исследования в области продления жизни, в частности улучшить технологии перепрограммирования стволовых клеток. Модель инициализировали уменьшенной копией GPT-4, а затем дообучили на массиве белковых последовательностей, аннотациях функций и даже токенизированных 3D-структурах белков. В отличие от традиционных protein-LLM, GPT-4b micro получает на вход не только последовательность аминокислот, но и контекст – описания, эволюционные гомологи, группы взаимодействующих белков. Благодаря этому модель может генерировать предложения по дизайну новых белков с заданными свойствами. В частности, GPT-4b micro сумела спроектировать улучшенные варианты факторов Яманаки (белки SOX2, KLF4), отвечающих за омоложение клеток. Экспериментально полученные белки показали в 50 раз более высокую экспрессию маркеров перепрограммирования клеток, чем исходные, и повысили восстановление ДНК, т.е. омолаживающий эффект. Модель способна работать как с структурированными, так и с «бесформенными» (intrinsically disordered) белками – она обучалась на данных, где большинство белков не имели стабильной структуры, что научило её одинаково хорошо обрабатывать гибкие, неупорядоченные участки молекул. Эти результаты открывают путь к более эффективной инженерии белков для биомедицины – от терапии старения до регенеративной медицины [openai.com]

(А все, это последний блок =) Хорошего дня)