- Сообщения
- 7.800
- Реакции
- 10.685
За последние десять лет искусственный интеллект из инструмента для игры в шахматы и создания текста с изображениями - превратился в полноценного участника научных исследований. Его используют не только для анализа больших массивов данных, но и для постановки гипотез, поиска молекул, моделирования климата и помощи врачам в диагностике. Если пытаться описать коротко, что именно изменилось, то наиболее точная аналогия такая: раньше учёный смотрел на данные как на отдельные фотографии, а ИИ позволяет ему впервые увидеть из этих снимков фильм, где проявляются закономерности, которые человек в одиночку просто не успевает заметить.
Белковые структуры и AlphaFold: карта для мира молекул
Одним из самых громких прорывов стала работа систем AlphaFold. До появления этих моделей определение трёхмерной структуры белка было долгой и дорогой процедурой: нужно было выращивать кристаллы, проводить рентгеноструктурный анализ или пользоваться криоэлектронной микроскопией. На один белок могли уходить месяцы или годы, а в базе данных известных структур содержались лишь доли процента от всех существующих в природе последовательностей. Алгоритмы AlphaFold научили нейросеть по аминокислотной последовательности предсказывать форму белка с точностью, сопоставимой с экспериментальными методами. В 2020 году AlphaFold 2 показала такой уровень точности на конкурсе CASP, что многие исследователи заговорили о решении многолетней проблемы. В 2024 году Демис Хассабис, Джон Джампер и Дэвид Бейкер получили Нобелевскую премию по химии за развитие методов предсказания структуры белков и вычислительного дизайна, где AlphaFold стала центральным примером того, как ИИ меняет молекулярную биологию. Для учёной среды это был важный сигнал: ИИ перестал быть вспомогательным инструментом и был признан на уровне высшей научной награды. Важно не только то, что точность стала выше, но и то, что процесс превратился в вычислительную задачу. То, что раньше требовало сложных лабораторий, теперь во многих случаях сводится к запуску программы. Совместно с EMBL-EBI была создана база AlphaFold Protein Structure Database: сегодня в ней доступны предсказания структур более чем 200 миллионов белков, то есть практически всех каталогизированных белков, известных науке. Для практики это означает, что химик или биолог может буквально за минуты посмотреть, как выглядит потенциальная мишень для лекарства, фермент или белок паразита. Уже есть конкретные кейсы, где такая база изменила ход работы. В первые месяцы пандемии COVID-19 AlphaFold помогала быстро получать структурные модели белков SARS-CoV-2, пока экспериментальные данные ещё только накапливались, что ускорило понимание жизненного цикла вируса. Фонды, работающие с забытыми тропическими болезнями, используют AlphaFold для выбора перспективных мишеней и анализа устойчивости к уже существующим препаратам. В более прикладных задачах на основе предсказаний AlphaFold подбирают ферменты, способные разлагать пластик или работать в нестандартных условиях, где раньше приходилось действовать методом длительного перебора. Если раньше исследователь смотрел на белки как на список загадочных последовательностей, то теперь перед ним фактически атлас их форм и потенциальных функций.
Искусственный интеллект в открытии лекарств: от антибиотиков до новых молекул: от антибиотиков до новых молекул
Область лекарственной химии исторически опиралась на длительный поиск кандидатов. Классическая схема выглядела так: тысячи молекул синтезируются и тестируются, большинство отбрасывается, немногие проходят в клинику. ИИ меняет именно начальную фазу этого процесса. Нейросети учатся на уже известных молекулах и их свойствах, чтобы в большом химическом пространстве находить «островки» с высокой вероятностью нужного эффекта. Знаковым примером стало открытие антибиотика, получившего название halicin. Алгоритм обучили на том, какие соединения тормозят рост бактерий, а затем позволили искать среди библиотек молекул, ранее не рассматривавшихся как антибиотики. В результате всего за несколько дней модель выделила кандидатов, один из которых подтвердил активность против устойчивых штаммов в экспериментах. Важная деталь: соединение действовало через необычный механизм, поэтому у бактерий меньше шансов быстро выработать устойчивость. Для исследовательской практики это пример того, как ИИ не заменяет работу химиков и микробиологов, а резко сужает поле поиска. Сейчас подобные подходы активно развиваются в онкологии, противовирусной терапии, лечении редких заболеваний. Появляются генеративные модели, которые не только оценивают готовые структуры, но и сами предлагают новые молекулы, удовлетворяющие заданным критериям: растворимость, проницаемость, низкая токсичность. Это уже похоже не на поиск иголки в стоге сена, а на конструирование ключа под нужный замок.
Медицинская диагностика: ИИ как второй врач
В клинике искусственный интеллект в первую очередь проявил себя в анализе изображений. Радиология, патологическая анатомия, дерматология, офтальмология получают огромные массивы снимков, и здесь нейросети оказались особенно полезны. Алгоритмы могут искать ранние признаки опухолей на маммограммах, КТ и МРТ, анализировать гистологические препараты, выделять подозрительные участки на снимках кожи и сетчатки глаза. За несколькими общими формулировками стоят вполне конкретные результаты. В одном из наиболее известных исследований по маммографии, проведённом на десятках тысяч снимков в Великобритании и США, система глубокого обучения смогла снизить число ложноположительных результатов примерно на 6 процентов в американской выборке и около 1 процента в британской, а число пропущенных опухолей уменьшить на 9 и 3 процента соответственно. ИИ в этом эксперименте не просто демонстрировал сопоставимую с врачами точность, а уменьшал ту самую статистически малую, но критичную долю ошибок, когда рак либо не замечают, либо излишне пугают пациентов. Похожая история разворачивается и в онкогинекологии. В 2025 году международная группа исследователей представила модель ECgMLP для диагностики рака эндометрия по гистологическим изображениям, которая достигла точности около 99,3 процента и заметно превзошла уже существующие автоматизированные методы. В том же исследовании показано, что архитектуру можно адаптировать под колоректальный, рак молочной железы и рак полости рта с точностью выше 97 процентов. На практике это означает не моментальное вытеснение патоморфологов, а возможность использовать ИИ как фильтр, который отсекает очевидно здоровые случаи и подсвечивает наиболее спорные. Отдельное направление связано со скринингом в регионах с дефицитом специалистов. В индийском штате Телангана запущен пилотный проект по скринингу рака полости рта, молочной железы и шейки матки с помощью ИИ: алгоритмы анализируют фотографии и снимки, а подозрительные случаи направляются на очную проверку онкологу. Это пример того, как технология выходит за пределы академической статьи: она встраивается в систему здравоохранения там, где до этого скрининга практически не было. Похожий подход тестируют в офтальмологии, где нейросети выявляют диабетическую ретинопатию по фотографиям глазного дна, и в кардиологии, где ИИ модели по ЭКГ помогают заранее обнаруживать риск аритмий. Исследования последних лет показывают, что в ряде задач обнаружения очагов рака по изображению ИИ уже сравним по точности с опытными специалистами, а в некоторых тестах даже превосходит их. При этом важнее всего не «гонка» с врачом, а то, как меняется организация работы. Модель можно использовать как систему двойного чтения: сначала снимок просматривает алгоритм, подсвечивает зоны риска, формирует предварительный список случаев, которые требуют особого внимания, а затем финальное решение принимает врач. Это снижает вероятность человеческой ошибки от усталости и повышает шансы обнаружить опухоль на ранней стадии.
Климат и погода: новые модели для сложной системы
Другая область, где ИИ уже ощутимо изменил практику, это прогнозирование погоды и моделирование климата. Классические метеорологические модели основаны на численном решении уравнений физики атмосферы. Они точны, но очень ресурсоёмки: для прогноза на несколько дней вперёд нужны суперкомпьютеры и часы вычислений. Новые ИИ модели учатся на архивах метеоданных за десятилетия и создают альтернативный путь к прогнозу. Вместо того чтобы считать каждое уравнение, сеть распознаёт типичные паттерны движения воздушных масс и их последствия. В работе, описывающей модель GraphCast, показано, что такая система обгоняет эталонную физическую модель Европейского центра среднесрочных прогнозов более чем по 90 процентам стандартных метеорологических метрик и при этом строит десятидневный прогноз за секунды на специализированном оборудовании. Для практики это эквивалентно переходу с ручного просчёта маршрута на навигатор, который не только показывает карту, но и по накопленной статистике предлагает наиболее вероятный сценарий развития погоды. Для общества важны не только средние значения, но и способность предсказывать экстремальные события: штормы, аномальные осадки, волны жары. Современные ИИ модели, обученные на десятилетиях данных, формируют ансамбли сценариев и дают оценку вероятности того или иного хода событий. В экспериментах подобные системы показали лучшую точность в прогнозе траекторий тропических циклонов и оценке ветровой генерации на горизонте до десяти-пятнадцати дней, чем традиционные модели аналогичного класса. Для служб гражданской защиты и энергетики это означает дополнительные часы или даже сутки на подготовку, перераспределение нагрузок и оповещение населения. На более длинных горизонтах похожие подходы применяются к климатическим задачам: оценке изменения осадков, частоты тепловых волн, характеристик ураганов в условиях глобального потепления. Здесь ИИ пока не заменяет физические климатические модели, а скорее дополняет их: помогает быстро тестировать разные сценарии, уточнять параметры и находить нетривиальные закономерности в больших массивах выходных данных.
Биомедицина и другие науки: от микроскопа до ускорителя
Помимо белков и диагностики ИИ активно интегрируется в другие звенья биомедицины. В генетике алгоритмы помогают анализировать вариации в геноме и искать сочетания мутаций, связанных с риском заболеваний. В системной биологии ИИ используют, чтобы моделировать целые сети взаимодействий, предсказывать, как изменится поведение клетки при изменении того или иного звена. В материаловедении нейросети обучают на библиотеках известных веществ и их свойств, чтобы предсказывать новые сплавы, катализаторы, батарейные материалы. Один из заметных практических примеров - разработка катода для натрий‑ионных батарей в 2024 году, когда модель перебрала более 30 тысяч вариантов структуры и выделила соединения на основе слоистых оксидов натрия, устойчивые к деградации. Лабораторные испытания подтвердили прогноз: материал демонстрировал увеличенный срок службы и стабильность при высоких температурах. Там, где раньше были переборы и интуиция, появляется возможность целенаправленного поиска по виртуальным базам. В физике высоких энергий ИИ помогает отфильтровывать редкие события в потоках данных с ускорителей. На практике это позволило, например, Лаборатории Ферми в 2023 году обнаружить редкие распады мюонов, которые ранее терялись среди фона. Алгоритм глубинного обучения уменьшил объём ложных совпадений примерно на 40 процентов, что позволило подтвердить отклонение от стандартной модели с более высокой статистической значимостью., а в астрономии используется для поиска сигналов от далеких галактик, анализа изображения телескопов, выявления аномалий. В 2023 году ИИ модель, обученная на данных радиотелескопов, смогла классифицировать более миллиона радиоисточников из обзора LOFAR и обнаружила несколько десятков кандидатов в редкие «мегаджетовые» галактики - структуры длиной сотни килопарсек, которые ранее пропускали из-за слабого сигнала. Общая черта этих примеров в том, что ИИ работает на стыке: он даёт не готовый ответ «истинно или ложно», а предлагает гипотезы, подсвечивает неожиданные корреляции, экономит время на промежуточных шагах.
Ограничения и новые вопросы
При всех успехах ИИ в науке остаётся инструментом, а не автономным исследователем. Он наследует ограничения данных: если истории болезней неполные, в выборке есть систематические искажения или отсутствуют целые группы пациентов, модель воспроизведёт эти перекосы. В климатических моделях проблема состоит в редкости экстремальных событий: сеть может хорошо работать на типичных ситуациях, но ошибаться на редких аномалиях. В фармакологии существует риск, что алгоритм будет отдавать предпочтение классам молекул, которые уже хорошо описаны, и пропускать принципиально новые химические области. Кроме того, растёт значение вопросов ответственности и прозрачности. Если ИИ помог выбрать лекарственный режим, а исход оказался неблагоприятным, кто несёт ответственность за решение. Как сделать так, чтобы учёные и врачи понимали логику работы моделей, а не воспринимали их как непререкаемый авторитет. Ответ на эти вопросы пока ищут совместными усилиями исследовательские институты, регуляторы и профессиональные сообщества. Новости об успехах ИИ в науке и медицине легко воспринимать как череду чудес: предсказали форму белка, нашли новый антибиотик, научились распознавать рак, улучшили прогноз погоды. Но если убрать эффект новизны, становится видно, что происходящее вписывается в более широкую историю научных инструментов. Микроскоп когда то позволил увидеть клетки, телескоп расширил представление о Вселенной, а ИИ даёт возможность иначе видеть и организовывать данные. Он ускоряет переход от наблюдения к модели и от модели к проверке. Главная сила ИИ сегодня не в том, что он «умнее» человека, а в том, что он по другому распределяет внимание. Там, где человеческий взгляд устаёт и расплывается, алгоритм продолжает видеть детали и связи. При этом именно человек формулирует вопросы, оценивает риски, определяет, какие применения допустимы, а какие нет. В этом смысле искусственный интеллект становится не заменой учёного и врача, а новым типом научного инструмента, который расширяет пределы того, что можно успеть сделать за одну человеческую жизнь.
Эта статья была создана с использованием нескольких редакционных инструментов, включая искусственный интеллект, как часть процесса. Редакторы-люди проверяли этот контент перед публикацией.
Нажимай на изображение ниже, там ты найдешь все информационные ресурсы A&N
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Белковые структуры и AlphaFold: карта для мира молекул
Одним из самых громких прорывов стала работа систем AlphaFold. До появления этих моделей определение трёхмерной структуры белка было долгой и дорогой процедурой: нужно было выращивать кристаллы, проводить рентгеноструктурный анализ или пользоваться криоэлектронной микроскопией. На один белок могли уходить месяцы или годы, а в базе данных известных структур содержались лишь доли процента от всех существующих в природе последовательностей. Алгоритмы AlphaFold научили нейросеть по аминокислотной последовательности предсказывать форму белка с точностью, сопоставимой с экспериментальными методами. В 2020 году AlphaFold 2 показала такой уровень точности на конкурсе CASP, что многие исследователи заговорили о решении многолетней проблемы. В 2024 году Демис Хассабис, Джон Джампер и Дэвид Бейкер получили Нобелевскую премию по химии за развитие методов предсказания структуры белков и вычислительного дизайна, где AlphaFold стала центральным примером того, как ИИ меняет молекулярную биологию. Для учёной среды это был важный сигнал: ИИ перестал быть вспомогательным инструментом и был признан на уровне высшей научной награды. Важно не только то, что точность стала выше, но и то, что процесс превратился в вычислительную задачу. То, что раньше требовало сложных лабораторий, теперь во многих случаях сводится к запуску программы. Совместно с EMBL-EBI была создана база AlphaFold Protein Structure Database: сегодня в ней доступны предсказания структур более чем 200 миллионов белков, то есть практически всех каталогизированных белков, известных науке. Для практики это означает, что химик или биолог может буквально за минуты посмотреть, как выглядит потенциальная мишень для лекарства, фермент или белок паразита. Уже есть конкретные кейсы, где такая база изменила ход работы. В первые месяцы пандемии COVID-19 AlphaFold помогала быстро получать структурные модели белков SARS-CoV-2, пока экспериментальные данные ещё только накапливались, что ускорило понимание жизненного цикла вируса. Фонды, работающие с забытыми тропическими болезнями, используют AlphaFold для выбора перспективных мишеней и анализа устойчивости к уже существующим препаратам. В более прикладных задачах на основе предсказаний AlphaFold подбирают ферменты, способные разлагать пластик или работать в нестандартных условиях, где раньше приходилось действовать методом длительного перебора. Если раньше исследователь смотрел на белки как на список загадочных последовательностей, то теперь перед ним фактически атлас их форм и потенциальных функций.
Искусственный интеллект в открытии лекарств: от антибиотиков до новых молекул: от антибиотиков до новых молекул
Область лекарственной химии исторически опиралась на длительный поиск кандидатов. Классическая схема выглядела так: тысячи молекул синтезируются и тестируются, большинство отбрасывается, немногие проходят в клинику. ИИ меняет именно начальную фазу этого процесса. Нейросети учатся на уже известных молекулах и их свойствах, чтобы в большом химическом пространстве находить «островки» с высокой вероятностью нужного эффекта. Знаковым примером стало открытие антибиотика, получившего название halicin. Алгоритм обучили на том, какие соединения тормозят рост бактерий, а затем позволили искать среди библиотек молекул, ранее не рассматривавшихся как антибиотики. В результате всего за несколько дней модель выделила кандидатов, один из которых подтвердил активность против устойчивых штаммов в экспериментах. Важная деталь: соединение действовало через необычный механизм, поэтому у бактерий меньше шансов быстро выработать устойчивость. Для исследовательской практики это пример того, как ИИ не заменяет работу химиков и микробиологов, а резко сужает поле поиска. Сейчас подобные подходы активно развиваются в онкологии, противовирусной терапии, лечении редких заболеваний. Появляются генеративные модели, которые не только оценивают готовые структуры, но и сами предлагают новые молекулы, удовлетворяющие заданным критериям: растворимость, проницаемость, низкая токсичность. Это уже похоже не на поиск иголки в стоге сена, а на конструирование ключа под нужный замок.
Медицинская диагностика: ИИ как второй врач
В клинике искусственный интеллект в первую очередь проявил себя в анализе изображений. Радиология, патологическая анатомия, дерматология, офтальмология получают огромные массивы снимков, и здесь нейросети оказались особенно полезны. Алгоритмы могут искать ранние признаки опухолей на маммограммах, КТ и МРТ, анализировать гистологические препараты, выделять подозрительные участки на снимках кожи и сетчатки глаза. За несколькими общими формулировками стоят вполне конкретные результаты. В одном из наиболее известных исследований по маммографии, проведённом на десятках тысяч снимков в Великобритании и США, система глубокого обучения смогла снизить число ложноположительных результатов примерно на 6 процентов в американской выборке и около 1 процента в британской, а число пропущенных опухолей уменьшить на 9 и 3 процента соответственно. ИИ в этом эксперименте не просто демонстрировал сопоставимую с врачами точность, а уменьшал ту самую статистически малую, но критичную долю ошибок, когда рак либо не замечают, либо излишне пугают пациентов. Похожая история разворачивается и в онкогинекологии. В 2025 году международная группа исследователей представила модель ECgMLP для диагностики рака эндометрия по гистологическим изображениям, которая достигла точности около 99,3 процента и заметно превзошла уже существующие автоматизированные методы. В том же исследовании показано, что архитектуру можно адаптировать под колоректальный, рак молочной железы и рак полости рта с точностью выше 97 процентов. На практике это означает не моментальное вытеснение патоморфологов, а возможность использовать ИИ как фильтр, который отсекает очевидно здоровые случаи и подсвечивает наиболее спорные. Отдельное направление связано со скринингом в регионах с дефицитом специалистов. В индийском штате Телангана запущен пилотный проект по скринингу рака полости рта, молочной железы и шейки матки с помощью ИИ: алгоритмы анализируют фотографии и снимки, а подозрительные случаи направляются на очную проверку онкологу. Это пример того, как технология выходит за пределы академической статьи: она встраивается в систему здравоохранения там, где до этого скрининга практически не было. Похожий подход тестируют в офтальмологии, где нейросети выявляют диабетическую ретинопатию по фотографиям глазного дна, и в кардиологии, где ИИ модели по ЭКГ помогают заранее обнаруживать риск аритмий. Исследования последних лет показывают, что в ряде задач обнаружения очагов рака по изображению ИИ уже сравним по точности с опытными специалистами, а в некоторых тестах даже превосходит их. При этом важнее всего не «гонка» с врачом, а то, как меняется организация работы. Модель можно использовать как систему двойного чтения: сначала снимок просматривает алгоритм, подсвечивает зоны риска, формирует предварительный список случаев, которые требуют особого внимания, а затем финальное решение принимает врач. Это снижает вероятность человеческой ошибки от усталости и повышает шансы обнаружить опухоль на ранней стадии.
Климат и погода: новые модели для сложной системы
Другая область, где ИИ уже ощутимо изменил практику, это прогнозирование погоды и моделирование климата. Классические метеорологические модели основаны на численном решении уравнений физики атмосферы. Они точны, но очень ресурсоёмки: для прогноза на несколько дней вперёд нужны суперкомпьютеры и часы вычислений. Новые ИИ модели учатся на архивах метеоданных за десятилетия и создают альтернативный путь к прогнозу. Вместо того чтобы считать каждое уравнение, сеть распознаёт типичные паттерны движения воздушных масс и их последствия. В работе, описывающей модель GraphCast, показано, что такая система обгоняет эталонную физическую модель Европейского центра среднесрочных прогнозов более чем по 90 процентам стандартных метеорологических метрик и при этом строит десятидневный прогноз за секунды на специализированном оборудовании. Для практики это эквивалентно переходу с ручного просчёта маршрута на навигатор, который не только показывает карту, но и по накопленной статистике предлагает наиболее вероятный сценарий развития погоды. Для общества важны не только средние значения, но и способность предсказывать экстремальные события: штормы, аномальные осадки, волны жары. Современные ИИ модели, обученные на десятилетиях данных, формируют ансамбли сценариев и дают оценку вероятности того или иного хода событий. В экспериментах подобные системы показали лучшую точность в прогнозе траекторий тропических циклонов и оценке ветровой генерации на горизонте до десяти-пятнадцати дней, чем традиционные модели аналогичного класса. Для служб гражданской защиты и энергетики это означает дополнительные часы или даже сутки на подготовку, перераспределение нагрузок и оповещение населения. На более длинных горизонтах похожие подходы применяются к климатическим задачам: оценке изменения осадков, частоты тепловых волн, характеристик ураганов в условиях глобального потепления. Здесь ИИ пока не заменяет физические климатические модели, а скорее дополняет их: помогает быстро тестировать разные сценарии, уточнять параметры и находить нетривиальные закономерности в больших массивах выходных данных.
Биомедицина и другие науки: от микроскопа до ускорителя
Помимо белков и диагностики ИИ активно интегрируется в другие звенья биомедицины. В генетике алгоритмы помогают анализировать вариации в геноме и искать сочетания мутаций, связанных с риском заболеваний. В системной биологии ИИ используют, чтобы моделировать целые сети взаимодействий, предсказывать, как изменится поведение клетки при изменении того или иного звена. В материаловедении нейросети обучают на библиотеках известных веществ и их свойств, чтобы предсказывать новые сплавы, катализаторы, батарейные материалы. Один из заметных практических примеров - разработка катода для натрий‑ионных батарей в 2024 году, когда модель перебрала более 30 тысяч вариантов структуры и выделила соединения на основе слоистых оксидов натрия, устойчивые к деградации. Лабораторные испытания подтвердили прогноз: материал демонстрировал увеличенный срок службы и стабильность при высоких температурах. Там, где раньше были переборы и интуиция, появляется возможность целенаправленного поиска по виртуальным базам. В физике высоких энергий ИИ помогает отфильтровывать редкие события в потоках данных с ускорителей. На практике это позволило, например, Лаборатории Ферми в 2023 году обнаружить редкие распады мюонов, которые ранее терялись среди фона. Алгоритм глубинного обучения уменьшил объём ложных совпадений примерно на 40 процентов, что позволило подтвердить отклонение от стандартной модели с более высокой статистической значимостью., а в астрономии используется для поиска сигналов от далеких галактик, анализа изображения телескопов, выявления аномалий. В 2023 году ИИ модель, обученная на данных радиотелескопов, смогла классифицировать более миллиона радиоисточников из обзора LOFAR и обнаружила несколько десятков кандидатов в редкие «мегаджетовые» галактики - структуры длиной сотни килопарсек, которые ранее пропускали из-за слабого сигнала. Общая черта этих примеров в том, что ИИ работает на стыке: он даёт не готовый ответ «истинно или ложно», а предлагает гипотезы, подсвечивает неожиданные корреляции, экономит время на промежуточных шагах.
Ограничения и новые вопросы
При всех успехах ИИ в науке остаётся инструментом, а не автономным исследователем. Он наследует ограничения данных: если истории болезней неполные, в выборке есть систематические искажения или отсутствуют целые группы пациентов, модель воспроизведёт эти перекосы. В климатических моделях проблема состоит в редкости экстремальных событий: сеть может хорошо работать на типичных ситуациях, но ошибаться на редких аномалиях. В фармакологии существует риск, что алгоритм будет отдавать предпочтение классам молекул, которые уже хорошо описаны, и пропускать принципиально новые химические области. Кроме того, растёт значение вопросов ответственности и прозрачности. Если ИИ помог выбрать лекарственный режим, а исход оказался неблагоприятным, кто несёт ответственность за решение. Как сделать так, чтобы учёные и врачи понимали логику работы моделей, а не воспринимали их как непререкаемый авторитет. Ответ на эти вопросы пока ищут совместными усилиями исследовательские институты, регуляторы и профессиональные сообщества. Новости об успехах ИИ в науке и медицине легко воспринимать как череду чудес: предсказали форму белка, нашли новый антибиотик, научились распознавать рак, улучшили прогноз погоды. Но если убрать эффект новизны, становится видно, что происходящее вписывается в более широкую историю научных инструментов. Микроскоп когда то позволил увидеть клетки, телескоп расширил представление о Вселенной, а ИИ даёт возможность иначе видеть и организовывать данные. Он ускоряет переход от наблюдения к модели и от модели к проверке. Главная сила ИИ сегодня не в том, что он «умнее» человека, а в том, что он по другому распределяет внимание. Там, где человеческий взгляд устаёт и расплывается, алгоритм продолжает видеть детали и связи. При этом именно человек формулирует вопросы, оценивает риски, определяет, какие применения допустимы, а какие нет. В этом смысле искусственный интеллект становится не заменой учёного и врача, а новым типом научного инструмента, который расширяет пределы того, что можно успеть сделать за одну человеческую жизнь.
- Jumper J. et al. Highly accurate protein structure prediction with AlphaFold. Nature, 2021.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
- Tunyasuvunakool K. et al. Highly accurate protein structure prediction for the human proteome. Nature, 2021.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
- Abramson J. et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 2024.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
- Bertoline L.M.F. et al. Before and after AlphaFold2: An overview of protein structure prediction. Frontiers in Bioinformatics, 2023.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
- Trafton A. Artificial intelligence yields new antibiotic. MIT News, 2020.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
- El Belghiti I. et al. Halicin: A New Approach to Antibacterial Therapy. 2025.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
- Huang J. et al. Application of artificial intelligence in medical imaging for cancer detection and diagnosis. 2025.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
- Yao I.Z. et al. Deep Learning Applications in Clinical Cancer Detection. 2025.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
- Gulum M.A. et al. Explainable deep learning for cancer detection. Applied Sciences, 2021.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
- Singh et al. Cancer Detection Using Artificial Intelligence: A Paradigm Shift in Oncology. 2025.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
- Google DeepMind. GraphCast: AI model for faster and more accurate global weather forecasting. 2023.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
- Google Research. Fast, accurate climate modeling with NeuralGCM. 2024.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
- Masterson V. AI can now outperform conventional weather forecasting. World Economic Forum, 2023.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
- AI model detects endometrial cancer at almost 100 per cent accuracy. 2025.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
- Telangana to pioneer AI-based cancer screening in healthcare revamp. 2025.
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
Эта статья была создана с использованием нескольких редакционных инструментов, включая искусственный интеллект, как часть процесса. Редакторы-люди проверяли этот контент перед публикацией.
Нажимай на изображение ниже, там ты найдешь все информационные ресурсы A&N
Пожалуйста Войдите или Зарегистрируйтесь чтобы видеть скрытые ссылки.
