Илья Белых

В этом выпуске разбираются несколько актуальных случаев применения нейросетей в научных целях. Вместо простого перечисления того, что читатель и так найдет поисковиком, мы решили поставить вопрос: где обученная нейросеть встроена в работу так, что без нее выполнить задачу невозможно, и где «ИИ» — просто вывеска, под которой находится обычная статистическая модель?

Примеры применения ИИ, о которых пойдет речь, можно разделить на несколько групп. Во-первых, приборы и большие установки: это нанопоровый секвенатор, обсерватория имени Веры Рубин и Большой адронный коллайдер, на которых события и оповещения фильтруют с помощью машинного обучения. Применяется этот подход и в работе с сейсмическими каталогами, в наблюдении радиовсплесков, в обнаружении гравитационных волн, в детекторах нейтрино, в изучении плазмы токамака. Вторая группа — инструменты, вросшие в повседневную работу и использующиеся для моделирования структуры белков (AlphaFold), расчета межатомных потенциалов, прогноза погоды, чтения маммограмм, криоэлектронной микроскопии. Наконец, третий случай — новое и спорное. Сгенерированные геномы фагов, расшифрованные свитки Геркуланума, спроектированные белки, успехи в олимпиадной математике, новые материалы и лекарства, статьи, написанные с помощью ИИ, неожиданное поведение агентов при испытаниях. Подробно рассказать о сути всех этих методов в рамках одной статьи невозможно, но если хочется разобраться — смотрите список литературы (он в веб-версии).

Случаи сгруппированы по ответу на вопрос, что случится, если изъять модель из рабочего процесса.

Под словом «модель» будем подразумевать обученный на данных алгоритм: нейросеть, случайный лес, градиентный бустинг. Что это такое и где граница с байесовской оптимизацией, сказано в «Шпаргалке». В пересказах всё это регулярно зовут «искусственным интеллектом», и на этой подмене держится половина недоразумений, поэтому дальше мы каждый раз называем метод.

‌

Рис. 1a. Фокальная плоскость камеры LSST, 189 сенсоров на 3200 Мп: этот приемник обсерватории имени Веры Рубин снимает небо, и из сравнения его снимков рождаются ночные оповещения об изменениях [72]. Фото: Jacqueline Orrell/SLAC/NSF/DOE/Rubin Observatory/AURAРис. 1b. Классификация алертов обсерватории имени Веры Рубин: сверхновая, переменная звезда, активное ядро галактики. Источник: NSF–DOE Vera C. Rubin Observatory/NOIRLab/SLAC/AURA

Коротко о результатах. Из разобранных примеров не может работать без ИИ только один прибор: современный нанопоровый секвенатор. Без вычислительного декодера он выдает электрический ток, который слишком зашумлен, чтобы его интерпретировать как буквы генетического кода. Близко к нему стоит чтение обугленных свитков из Геркуланума, но там томограф выдает продукт, с которым можно работать, — карту плотности, и без сетей теряется не сигнал, а его прочтение. Там, где результатом является научное утверждение, последнее слово осталось за человеком. В разобранных здесь случаях анализируется только решение конкретных задач, а не весь путь от вопроса до результата.

Выключи — и работа встанет

Нанопоровый секвенатор протягивает цепь ДНК через белковую пору и выдает на выходе колебания ионного тока, а не буквы нуклеотидов. Перевод одного в другое, basecalling, с 2017 года делает нейросеть [1]. Отказ от вычислительных декодеров делает прибор неработоспособным. Незаменима здесь не именно нейросеть — до нее ток читали скрытыми марковскими моделями. Медианная точность распознавания нуклеотидов нейросетевого декодера в лучшем из рассмотренных режимов составляет 99,93% [2].

Близки по степени важности нейросетей и обзорные телескопы. Они рассылают за ночь столько оповещений об изменениях неба, что на все человек реагировать не в состоянии. Так, обсерватория имени Веры Рубин за первую ночь своей работы, 24 февраля 2026 года, разослала 800 тыс. публичных оповещений [3]. Это была только пусконаладка, а в рабочем режиме она рассылает до семи миллионов за ночь [57]. Разбирают поток автоматические «брокеры», основанные на разных методах: в системе ALeRCE фрагменты снимков, содержащие возможные события, классифицирует сверточная сеть, а кривые блеска — сбалансированный случайный лес, к нейросетям отношения не имеющий [4]. Без «брокера» телескоп не ослепнет, и данные будут копиться, но прекратится отбор целей в реальном времени, пока событие не погасло. Стало быть, не будет вовремя принято решение о том, куда навести дефицитные большие телескопы.

Столь же критично применение ИИ и в работе с данными Большого адронного коллайдера. Пучки частиц там сталкиваются 40 млн раз в секунду, и записать всё невозможно, данные хранятся только в усеченном виде. Поэтому событие, не отобранное онлайн, полностью восстановить нельзя. С 2022 года часть пороговых алгоритмов на программных шагах отбора в CMS заменена обучаемыми: тау-лептоны сначала размечал классификатор DeepTau, а с 2025 года его в триггере сменили модели на основе графовой сети ParticleNet [5]. Автоэнкодеры (системы фильтрации данных) AXOL1TL и CICADA развернуты прямо в железе еще в 2024 году, и за тот год они отобрали на хранение более 4 млрд событий [6]. Заменить обучаемый отбор пороговым можно: он станет хуже, но не прекратится.

В основе составления сейсмического каталога — списка землетрясений со временем и координатами — лежит еще один рутинный процесс: на записи каждой станции надо отметить момент прихода волны, «вступление». Десятилетиями это делал человек, и его производительность определяла, сколько событий попадет в каталог. Сеть PhaseNet расставляет вступления по каждому отсчету записи [7]. Масштаб виден по каталогу зоны субдукции (места, где одна литосферная плита погружается под другую) в Атакаме: 6,7 млн «вступлений», сопоставленных с событиями, дали более 166 тыс. событий [9]. Дальше применяются классические методы сейсмологии, однако нейросети проникли и в другие задачи. Так, в работе по Центральным Апеннинам ИИ определяет еще и полярности первых вступлений, т. е. входные данные отбирает и обрабатывает нейросеть, а сами движения подземных пород рассчитывает классический алгоритм [8]. В подобных задачах актуальны и классические методы: так, каталог Южной Калифорнии на 1,81 млн землетрясений, который в 2019 году увеличил число известных событий региона на порядок, получен вообще без нейросетей — сопоставлением с шаблонами [10]. Такие примеры иногда ошибочно приписывают ИИ. (Уточним: землетрясения PhaseNet не предсказывает, авторы метода этого и не заявляли…)

Остальные случаи с большими потоками данных укладываются в один абзац. При детектировании гравитационных волн для отбора сигналов и определения параметров источников используются в основном классические алгоритмы. Однако в одном из пяти конвейеров обработки данных каталога GWTC-4.0 вердикт обученного ИИ-классификатора был задействован непосредственно при отборе кандидатов [58]. При наблюдении быстрых радиовсплесков (FRB) на канадском телескопе CHIME события «ловит» классическая дедисперсия (восстановление сигнала после «размытия») с порогами, а обучаемый ИИ занимается чисткой помех. Хотя есть примеры использования нейросетей при классификации кандидатов для ряда телескопов и в этом направлении [73]. Рекордное нейтрино KM3NeT реконструировано методом максимального правдоподобия, и его энергия — около 220 ПэВ при 90-процентном интервале от 72 ПэВ до 2,6 ЭэВ [59]. Управление плазмой обучением с подкреплением показано на токамаке TCV в Лозанне [74], но рутинного штатного режима добиться не удалось. Ни в одном из этих случаев обучаемый компонент не стал основой для детектирования или реконструирования сигнала, итоговый результат везде дает классический метод.

Рис. 2. Устройство нанопорового секвенирования: моторный фермент протягивает цепь ДНК через белковую пору в мембране, и прибор регистрирует изменения ионного тока через эту пору, а не буквы. На схеме — пора MspA, на которой метод отрабатывали в лаборатории. Источник: Nova IC et al., PLoS ONE12(7): e0181599Что будет, если убрать алгоритм

Вторая группа случаев устроена иначе. Здесь работу можно делать по-старому, и она не остановится, но изменится другое — цена, скорость и механизм принятия решения на выходе.

Самый яркий пример — AlphaFold2, метод предсказания пространственной структуры белка по последовательности. Над этой задачей структурная биология билась полвека. AlphaFold2 не решил ее в привычном смысле слова, но превратил отдельное дорогое вычисление в обращение к справочнику: создана база предсказанных структур, более 214 млн записей на 2023 год, которая стала неотъемлемой частью мировых ресурсов по биоинформатике — UniProt, InterPro, Ensembl, PDB (банк белковых структур) [16]. Незаменимость здесь особого рода: выключение модели не уничтожит уже посчитанную базу, но остановится ее обновление. По-прежнему важны и экспериментальные методы: кристаллография, ЯМР и электронная микроскопия как и раньше определяют структуру там, где предсказание ненадежно [16].

Родственный инструмент AlphaMissense оценивает патогенность аминокислотных замен [17], и клиническая рабочая группа, независимая от разработчиков, перекалибровала его строже, чем предлагали авторы [18].

Следующая задача из этой группы — моделирование движения атомов, для которого нужно знать действующие между атомами силы. Стандартный способ это сделать — квантовый расчет функционала плотности: он приближенный, но достаточно точный, чтобы служить эталоном при обучении, и очень дорогой. ИИ-обучение заменяет расчет потенциала предсказанием, при этом точность остается близкой, а стоимость (на графических ускорителях) — почти как для традиционных расчетов по упрощенным формулам (классическим потенциалам) [12]. Это интерполяция по уже посчитанному, и работает она только внутри обученной области, а за ее пределами может выдавать физически бессмысленные результаты. Что дает такая замена, видно по рекорду — посчитана молекулярная динамика для системы из 113 млн атомов меди [13] — это задача, которая с квантовым расчетом сил не решается вовсе [61].

Численный прогноз погоды появился раньше, чем сами компьютеры. Первую попытку сделал Льюис Фрай Ричардсон в годы Первой мировой, служа водителем в квакерском санитарном отряде на Западном фронте. Расчеты он делал вручную, на арифмометрах, в паузах между поездками за ранеными. На шестичасовой ретроспективный прогноз у него ушло почти шесть недель, при этом, согласно его расчетам, давление должно было вырасти на 145 гектопаскалей (109 мм рт. ст., изменение катастрофического масштаба), тогда как барометр почти не шелохнулся. В книге 1922 года Ричардсон описал «фабрику прогнозов»: зал с картой мира на стенах, в нём — 64 тыс. людей-вычислителей, призванных «обгонять» погоду [70]. Сегодня прогноз погоды — область, где обученная модель работает в оперативном режиме и ее продукт ежедневно доходит до миллионов людей. Европейский центр среднесрочных прогнозов ввел модель AIFS в оперативную работу в 2025 году, вторая версия работает с мая 2026 года, 15-суточный прогноз она считает за минуты и тратит примерно в тысячу раз меньше энергии, чем предыдущая [22]. AIFS не заменила классическую модель: та работает параллельно и, что важнее, дает данные для обучения и задания начальных условий ИИ-модели. Выключите классическую систему — остановится и AIFS, но не наоборот. Гибрид NeuralGCM показывает то же еще нагляднее: под вывеской «ИИ предсказывает климат» там физическое ядро, у которого обучаемый блок заменяет подсеточную часть [24].

Следующая область, где ИИ и классические методы идут рука об руку, — криоэлектронная микроскопия. Сеть Topaz находит частицы на зашумленных снимках, ModelAngelo строит атомную модель по карте плотности [19, 20], а в световой микроскопии Cellpose сегментирует клетки [21]. Байесовская рамка трехмерной реконструкции устояла, но с 2024 года в сам цикл уточнения встроен обучаемый регуляризатор, нейросеть-шумоподавитель [60], — т. е. модель отвечает уже не только за подготовительные этапы. Незаменимой ее и здесь назвать нельзя: картинка с нейросетевым шумоподавлением выглядит правдоподобно, но это не гарантирует ее соответствия реальности — нужен отбор по шаблонам и ручная правка.

С использованием ИИ в медицине тоже пока двойственная картина. Так, в Швеции было проведено рандомизированное испытание результатов маммографии. 105 934 женщины на плановом скрининге случайно распределили между обычным двойным чтением снимков и исследованием с ИИ [26]. Промежуточный анализ на 80 033 участницах вышел в 2023 году и показал снижение нагрузки на чтение снимков на 44% [25]. Результаты опубликованы в январе 2026 года: было обнаружено 1,55 случая интервального рака (опухоли, найденной между обследованиями; если их меньше, то скрининг работает лучше) на тысячу против 1,76 в контрольной группе, инвазивных интервальных раков оказалось на 16% меньше [26]. Надо заметить, что сравнение производилось с двойным чтением (снимки анализируют два врача), принятым в Швеции, статистика при чтении в одиночку была бы иной.

По мировому масштабу применения ИИ в клинической практике систематических данных нет, но кое-что можно оценить. Так, по американской статистике на конец 2025 года существовало около полутора тысяч разрешений на медицинские устройства с машинным обучением, из них примерно три четверти — в радиологии [55].

Что общего у этих примеров? Там, где результат становится научным утверждением, последнее слово по-прежнему за людьми. Но это слово — не на входе, а на выходе. Человек не успевает за возросшим объемом информации, которую дают приборы. Узкое место науки переехало: раньше это было получение данных, теперь — проверка.

‌

Рис. 3. Криоэлектронные микроскопы Titan Krios в Лидсском университете: приборы этого класса дают те зашумленные снимки, на которых частицы теперь находит нейросеть. Фото: Hiramano92 / «Википедия»Рис. 4. Белковая наночастица-кандидат на универсальную вакцину против гриппа. Восемь молекул гемагглютинина (желтые) расположены на поверхности белкового каркаса (синий). Структура определена методом криоэлектронной микроскопии. Изображение: NIAID (США)Рис. 5. Так выглядит результат работы геномной языковой модели. Крио-ЭМ‑структура искусственно созданного бактериофага Evo-Φ36 (на парах картинок — слева) в сравнении с исходным фагом ΦX174 (справа). Источник: doi.org/10.1101/2025.09.12.675911Новое и спорное

Здесь модель предъявляет то, чего без нее не было бы под рукой: сконструированную структуру, проявленный текст, синтезированную молекулу. Проверка везде остается человеческой.

6 августа 2026 года в Science вышла работа, где геномные языковые модели Evo 1 и Evo 2 сгенерировали геномы бактериофагов, родственных вирусу ΦХ174 [30]. Из сгенерированного отобрали 302 варианта, собрали 285, жизнеспособными оказались 16. Заголовки говорили о том, что искусственный интеллект создал новую жизнь. Однако большинство отобранных кандидатов совпадают более чем на 40% с исходным вирусом и с геномами обучающей выборки, а с ближайшими природными родственниками того же семейства — на 93,0–98,8%. Речь о конструировании близкородственных объектов по шаблону, и авторы прямо об этом говорят. Работа рецензирована, однако «мокрую проверку» (лабораторные испытания) вел тот же консорциум, а независимого воспроизведения в работе нет.

В июне 2026 года был опубликован результат по полной виртуальной расшифровке одного из сохранившихся свитков Геркуланума [31]. Эти свитки — часть крупной библиотеки, пострадавшей при извержении Везувия в 79 году и обнаруженной в 1750 году при рытье колодца. Первые свитки команда Карла Вебера извлекла в октябре 1752-го. Развернуть их вручную было невозможно, поскольку они сильно обуглились. В 1753 году ватиканский хранитель рукописей Антонио Пьяджо решил создать машину, которая раскрывала свиток шелковыми нитями на грузах и винтах. Чтобы развернуть первый из свитков, ушло четыре года, а некоторые артефакты рассыпались, так и оставшись непрочитанными [71]. Нужно было найти метод, который позволит узнать, что на свитке, не повреждая его физически. Цепочка такая: синхротронная микротомография дает трехмерную карту плотности, нейросети выделяют поверхность папируса и «проявляют» чернила, а транскрибируют и интерпретируют текст восемь папирологов. Прочитанный текст предъявляет не модель, она делает его видимым. Журнального рецензирования публикации пока нет.

Выше шла речь о прогнозировании структуры белков, а вот диффузионная модель RFdiffusion конструирует белковые остовы с нуля. Можно сказать, что она «рисует» новый, не существовавший в природе белок подобно тому, как нейросети типа MidJourney генерируют картинки. Доля «удачных связывателей» (белков, выполняющих поставленные задачи — например, прикрепиться к нужному вирусу), по замерам самих авторов, — около 19% [32]. Родственный случай — сгенерированный моделью ESM3 флуоресцентный белок esmGFP, который только на 58% соответствует ближайшему флуоресцентному белку, известному в природе [33]. Флуоресцентность подтвердили авторы статьи; независимой проверки пока нет. Громкая фраза в Nature про «500 млн лет эволюции», которые удалось «перескочить» с помощью ИИ, требует поправки: никакой симуляции времени в модели нет, другое дело, что примерно столько времени нужно природе, чтобы белковые структуры разных организмов настолько разошлись. Модель же прошла это расстояние за один акт генерации.

В математике твердо установленного немного. Связка AlphaProof и AlphaGeometry решила четыре задачи из шести на Международной математической олимпиаде 2024 года, что отвечает уровню серебряной медали, и это рецензировано [34]. Сама AlphaProof справилась с тремя негеометрическими задачами из этих четырех. Дальше начинается спорное: летом 2025 года о золоте объявили несколько компаний, и процедуры проверки у них несопоставимы. Олимпиада заявила официально, что не может подтвердить ни методы, ни объем использованных вычислений, ни участие человека, ни воспроизводимость результата [64]. Слова ее президента о том, что одна из компаний набрала 35 баллов из 42, опубликованы в блоге самой этой компании, а не в официальных источниках олимпиады [69]. У другой компании решения проверяли нанятые ею медалисты, технического отчета нет, выложены только сами решения [75].

Материалы и лекарства — сюжет, где показательный пример известен, а продолжения нет. В 2023 году две работы в Nature сообщили о миллионах предсказанных неорганических кристаллических структур (различных оксидов и фосфатов) и автономной лаборатории, синтезировавшей 41 из 58 предсказанных соединений [37]. Дальше химики опубликовали предметную критику [38], а в январе 2026 года вышла авторская корректура: слово «новые» в заголовке заменено на «неорганические», один состав из 41 исключен из зачета новых, потому что уже был в обучающей выборке, а из оставшихся 40 подтверждены 36, еще четыре остались неопределенными по данным дифракции [39]. Итоговой доли успеха корректура не называет. Еще скромнее результаты генеративной модели MatterGen: из огромного массива сгенерированных ИИ вариантов выбрали как пригодные для синтеза четыре, а получить удалось только один, и тот — с множественными дефектами кристаллической структуры [40].

С лекарствами надо сразу отказаться от иллюзий: девять из десяти препаратов, дошедших до клинических испытаний, на рынок так и не вышли [41]. Дальше всего на этом пути продвинулся препарат рентосертиб, предназначенный для борьбы с идиопатическим легочным фиброзом: компания-разработчик провела испытание второй фазы на 71 пациенте с обнадеживающими результатами [42], третья фаза на 320 пациентов стартовала в июле 2026 года, новостей еще нет [62].

Наконец тексты. Если в предсказании структуры кристаллов и синтезе лекарства ИИ еще делает первые шаги, в генерации текста ИИ явно преуспел. Это касается и научных работ. Так, изучение словарного запаса более 15 млн публикаций с 2010 по 2024 год на ресурсе PubMed показало, что не менее 13,5% текста в аннотациях 2024 года написано ИИ-моделями [44]. Препринт той же лаборатории намерил по полным текстам 52% за тот же год и 89% к декабрю 2025-го [46]. Напрямую эти числа сравнивать не следует: у препринта другой оценщик и другая единица анализа. При этом автоматизация идет и со стороны чтения и анализа материалов. Программа ASReview, использующаяся при отборе литературы для обзоров, начинала на наивном байесовском классификаторе, сейчас по умолчанию работает на методе опорных векторов, а нейросети подключаются к ней расширением [63]. При этом регулирование в этой сфере пока развито слабо: как правило, научные фонды только рекомендуют раскрывать использование ИИ в подготовке заявок. А вот при рецензировании его применение в ряде научных журналов прямо запрещено [68]. Проект агентства ARPA-H, где модели сортируют и реферируют заявки, а люди принимают решение, остается единственным известным мне прецедентом допуска ИИ к оценке научных текстов [49].

И сакраментальный вопрос: а не заменит ли ИИ ученых как таковых? Громкие заявления технологических компаний о создании полноценных «ИИ-ученых» и автономных агентов сегодня активно проверяют на специализированных испытаниях-бенчмарках. Воспроизвести работу с крупной конференции лучший агент смог на 21% по замеру авторов набора [50], аспиранты на подмножестве из трех статей — на 41%, но это разные выборки. На биоинформатических вопросах с вариантами ответа модели, по отчету авторов набора, не поднялись выше случайного угадывания, а в режиме, где разрешен отказ от ответа, показали результаты ниже него [51]. Против 61 эксперта на инженерных задачах агенты вчетверо результативнее на дистанции в два часа, но на 32 часах люди уже вдвое лучше, и замеряли это на моделях конца 2024 года [52]. До нижней медальной ступени в соревнованиях по анализу данных агент не дотягивает в пяти случаях из шести [53]. Набор FrontierScience от OpenAI дал 25% на исследовательских вопросах, и сравнить эту цифру не с чем: человеческого эталона авторы не делали [54].

Что значит «незаменим»

Незаменимость бывает трех видов. Природная — где выход прибора становится нечитаемым без декодера. Экономическая — где по-старому можно, но абсурдно дорого. И мнимая: зависимость от чужого сервиса, встроенность базы в инфраструктуру, поток данных от прибора, спроектированного под модель. В третьем случае за незаменимость выдают нежелание отказываться от принятого решения — технического, организационного, коммерческого.

Обученная модель работает сегодня как расширитель: она добавляет объем, который переварит грамотный специалист, и снимает нехватку рук. Судить о том, насколько хороши эти системы, по опубликованным успехам нельзя: они не показывают, как часто попытки проваливаются.

Илья Белых

1. Wick R. R., Judd L. M., Holt K. E. Performance of neural network basecalling tools for Oxford Nanopore sequencing // Genome Biology. 2019. Vol. 20. P. 129. doi.org/10.1186/s13059-019-1727-y

2. Hall M. B. et al. Benchmarking reveals superiority of deep learning variant callers on bacterial nanopore sequence data // eLife. 2024. doi.org/10.7554/eLife.98300.3

3. Rubin Observatory Launches Real-Time Discovery Machine for Monitoring the Night Sky. 25.02.2026. rubinobservatory.org/news/first-alerts

4. Förster F. et al. The Automatic Learning for the Rapid Classification of Events (ALeRCE) Alert Broker // Astronomical Journal. 2021. Vol. 161. P. 242. doi.org/10.3847/1538-3881/abe9bc

5. Machine learning in online and offline reconstruction and identification with CMS (обзор, охватывает DeepTau, ParticleNet и замену DeepTau в триггере с 2025 года). arxiv.org/abs/2602.08010

6. CMS Collaboration. Unsupervised anomaly detection for real-time data acquisition in the CMS experiment at the Large Hadron Collider. 10.08.2026. cds.cern.ch/record/3188808

7. Zhu W., Beroza G. C. PhaseNet: a deep-neural-network-based seismic arrival-time picking method // Geophysical Journal International. 2019. Vol. 216. P. 261-273.
doi.org/10.1093/gji/ggy423

8. Meier M.-A., Lanza F., Martínez-Garzón P., Chiaraluce L. Insights into Extensional Tectonics from a Large Deep Learning Focal Mechanism Catalog // Bulletin of the Seismological Society of America. 2025. Vol. 115(6). P. 2690. doi.org/10.1785/0120250103

9. Münchmeyer J. et al. Characterizing the Atacama Segment of the Chile Subduction Margin with >165,000 Earthquakes // JGR Solid Earth. 2025. doi.org/10.1029/2025JB031256

10. Ross Z. E., Trugman D. T., Hauksson E., Shearer P. M. Searching for hidden earthquakes in Southern California // Science. 2019. Vol. 364. P. 767-771. doi.org/10.1126/science.aaw6888

12. Leimeroth N., Erhard L. C., Albe K., Rohrer J. Machine-learning interatomic potentials from a user’s perspective: a comparison of accuracy, speed and data efficiency // Modelling and Simulation in Materials Science and Engineering. 2025. Vol. 33(6). 065012. doi.org/10.1088/1361-651X/adf56d

13. Lu D. et al. 86 PFLOPS Deep Potential Molecular Dynamics simulation of 100 million atoms with ab initio accuracy // Computer Physics Communications. 2021. Vol. 259. P. 107624. doi.org/10.1016/j.cpc.2020.107624

16. Varadi M. et al. AlphaFold Protein Structure Database in 2024 // Nucleic Acids Research. 2024. Vol. 52(D1). P. D368-D375. doi.org/10.1093/nar/gkad1011

17. Cheng J. et al. Accurate proteome-wide missense variant effect prediction with AlphaMissense // Science. 2023. Vol. 381. eadg7492. doi.org/10.1126/science.adg7492

18. Bergquist T. et al. Calibration of additional computational tools expands ClinGen recommendation options for variant classification with PP3/BP4 criteria // Genetics in Medicine. 2025. Vol. 27(6). 101402. doi.org/10.1016/j.gim.2025.101402

19. Bepler T. et al. Positive-unlabeled convolutional neural networks for particle picking in cryo-electron micrographs // Nature Methods. 2019. Vol. 16. P. 1153-1160.
doi.org/10.1038/s41592-019-0575-8

20. Jamali K. et al. Automated model building and protein identification in cryo-EM maps // Nature. 2024. Vol. 628. doi.org/10.1038/s41586-024-07215-4

21. Stringer C. et al. Cellpose: a generalist algorithm for cellular segmentation // Nature Methods. 2021. Vol. 18. P. 100-106. doi.org/10.1038/s41592-020-01018-x

22. Moldovan G. et al. AIFS Single 1.1.0: an update to ECMWF’s machine-learned weather forecast model AIFS // Geoscientific Model Development. 2026. Vol. 19. P. 4703-4724. doi.org/10.5194/gmd-19-4703-2026

24. Kochkov D. et al. Neural general circulation models for weather and climate // Nature. 2024. Vol. 632. P. 1060. doi.org/10.1038/s41586-024-07744-y

25. Lång K. et al. Artificial intelligence-supported screen reading versus standard double reading in the Mammography Screening with Artificial Intelligence trial (MASAI) // The Lancet Oncology. 2023. doi.org/10.1016/S1470-2045(23)00298-X

26. Lång K. et al. // The Lancet. 2026. Vol. 407(10527). P. 505-514. doi.org/10.1016/S0140-6736(25)02464-X

27. Lazer D., Kennedy R., King G., Vespignani A. The Parable of Google Flu: Traps in Big Data Analysis // Science. 2014. Vol. 343. P. 1203-1205. doi.org/10.1126/science.1248506

28. Wong A. et al. External Validation of a Widely Implemented Proprietary Sepsis Prediction Model in Hospitalized Patients // JAMA Internal Medicine. 2021. Vol. 181(8). P. 1065. doi.org/10.1001/jamainternmed.2021.2626

29. Roberts M. et al. Common pitfalls and recommendations for using machine learning to detect and prognosticate for COVID-19 using chest radiographs and CT scans // Nature Machine Intelligence. 2021. Vol. 3. P. 199. doi.org/10.1038/s42256-021-00307-0

30. King S. H. et al. Generative design of bacteriophages with genome language models // Science. 2026. Vol. 393. eaec2657. doi.org/10.1126/science.aec2657

31. Angelotti G. et al. Complete virtual unwrapping and reading of a rolled Herculaneum papyrus. arxiv.org/abs/2606.29085

32. Watson J. L. et al. De novo design of protein structure and function with RFdiffusion // Nature. 2023. Vol. 620. P. 1089-1100. doi.org/10.1038/s41586-023-06415-8

33. Hayes T. et al. Simulating 500 million years of evolution with a language model // Science. 2025. doi.org/10.1126/science.ads0018

34. Hubert T., Mehta R., Sartran L. et al. Olympiad-level formal mathematical reasoning with reinforcement learning // Nature. 2026. Vol. 651. P. 607-613 (онлайн 12.11.2025). doi.org/10.1038/s41586-025-09833-y

37. Merchant A. et al. Scaling deep learning for materials discovery // Nature. 2023. Vol. 624. P. 80-85. doi.org/10.1038/s41586-023-06735-9; Szymanski N. J. et al. An autonomous laboratory for the accelerated synthesis of novel materials // Nature. 2023. Vol. 624. P. 86-91. doi.org/10.1038/s41586-023-06734-w

38. Leeman J. et al. Challenges in High-Throughput Inorganic Materials Prediction and Autonomous Synthesis // PRX Energy. 2024. Vol. 3. 011002. doi.org/10.1103/PRXEnergy.3.011002; Cheetham A. K., Seshadri R. Artificial Intelligence Driving Materials Discovery? // Chemistry of Materials. 2024. Vol. 36. P. 3490. doi.org/10.1021/acs.chemmater.4c00643

39. Author Correction // Nature. 2026. Vol. 650. E1. doi.org/10.1038/s41586-025-09992-y

40. Zeni C. et al. A generative model for inorganic materials design // Nature. 2025. doi.org/10.1038/s41586-025-08628-5

41. Sun D., Gao W., Hu H., Zhou S. Why 90% of clinical drug development fails and how to improve it? // Acta Pharmaceutica Sinica B. 2022. Vol. 12(7). P. 3049-3062.
doi.org/10.1016/j.apsb.2022.02.002

42. Rentosertib in idiopathic pulmonary fibrosis: a phase 2a trial // Nature Medicine. 2025. Vol. 31. P. 2602-2610. doi.org/10.1038/s41591-025-03743-2

44. Kobak D. et al. Delving into LLM-assisted writing in biomedical publications through excess vocabulary // Science Advances. 2025. doi.org/10.1126/sciadv.adt3813

46. Holzwarth L., González-Márquez R., Kobak D. Most biomedical publications show signs of LLM-assisted writing. arxiv.org/abs/2608.10715

49. ARPA-H. IGoR program statement. arpa-h.gov/explore-funding/programs/igor/statement

50. PaperBench: Evaluating AI’s Ability to Replicate AI Research. arxiv.org/abs/2504.01848

51. BixBench: a Comprehensive Benchmark for LLM-based Agents in Computational Biology. arxiv.org/abs/2503.00096

52. RE-Bench: Evaluating frontier AI R&D capabilities of language model agents against human experts. arxiv.org/abs/2411.15114

53. MLE-bench: Evaluating Machine Learning Agents on Machine Learning Engineering. arxiv.org/abs/2410.07095

54. FrontierScience. arxiv.org/abs/2601.21165

55. FDA. Artificial Intelligence and Machine Learning (AI/ML)-Enabled Medical Devices (официальный перечень, обновляется). fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-aiml-enabled-medical-devices; FDA. Premarket Notification 510(k). fda.gov/medical-devices/premarket-submissions-selecting-and-preparing-correct-submission/premarket-notification-510k

56. Ross C., Swetlitz I. IBM’s Watson recommended ‘unsafe and incorrect’ treatments for cancer patients // STAT. 25.07.2018.
statnews.com/2018/07/25/ibm-watson-recommended-unsafe-incorrect-treatments

57. Rubin Observatory. Официальный релиз о начале десятилетнего обзора LSST. 30.06.2026. rubinobservatory.org

58. LIGO Scientific Collaboration, Virgo Collaboration, KAGRA Collaboration (Abac A. G. et al.). GWTC-4.0: Methods for Identifying and Characterizing Gravitational-wave Transients // The Astrophysical Journal Letters. 2026. Vol. 1004. P. L21. doi.org/10.3847/2041-8213/ae447b

59. KM3NeT Collaboration. Observation of an ultra-high-energy cosmic neutrino with KM3NeT // Nature. 2025. Vol. 638. P. 376-382. doi.org/10.1038/s41586-024-08543-1

60. Kimanius D., Jamali K., Wilkinson M. E., Lövestam S., Velazhahan V., Nakane T., Scheres S. H. W. Data-driven regularization lowers the size barrier of cryo-EM structure determination // Nature Methods. 2024. Vol. 21. P. 1216-1221. doi.org/10.1038/s41592-024-02304-8

61. Matbench Discovery — открытая таблица сравнения обучаемых межатомных потенциалов. matbench-discovery.materialsproject.org

62. ClinicalTrials.gov. NCT07687459: испытание третьей фазы рентосертиба, зарегистрировано 07.07.2026.

63. ASReview. Документация: модели и расширения. asreview.readthedocs.io

64. International Mathematical Olympiad. The 66th International Mathematical Olympiad draws to a close today. 19.07.2025. imo2025.au/news/the-66th-international-mathematical-olympiad-draws-to-a-close-today/

68. National Institutes of Health. NOT-OD-23-149: The Use of Generative Artificial Intelligence Technologies is Prohibited for the NIH Peer Review Process. 23.06.2023. grants.nih.gov/grants/guide/notice-files/NOT-OD-23-149.html; National Science Foundation. Notice to the research community: Use of generative artificial intelligence technology in the NSF merit review process. 14.12.2023, обновлено 21.05.2026. nsf.gov/news/notice-to-the-research-community-on-ai; Thorp H. H., Vinson V. Change to policy on the use of generative AI and large language models // Science. 16.11.2023. science.org/content/blog-post/change-policy-use-generative-ai-and-large-language-models

69. Google DeepMind. Advanced version of Gemini with Deep Think officially achieves gold-medal standard at the International Mathematical Olympiad. 21.07.2025.
deepmind.google/blog/advanced-version-of-gemini-with-deep-think-officially-achieves-gold-medal-standard-at-the-international-mathematical-olympiad/

70. Richardson L. F. Weather Prediction by Numerical Process. Cambridge: Cambridge University Press, 1922. P. 219 (archive.org/details/weatherpredictio00richrich); Lynch P. The origins of computer weather prediction and climate modeling // Journal of Computational Physics. 2008. Vol. 227. P. 3431-3444. doi.org/10.1016/j.jcp.2007.02.034

71. Fowler R. L. The Herculaneum Papyri // Manuscript and Text Cultures. 2024. Vol. 3(1). doi.org/10.56004/v3.1rlf; Getty Museum. Buried by Vesuvius: Treasures from the Villa dei Papiri. getty.edu/art/exhibitions/villa_papiri; Royal Society. Volcanic vistas. 2021. royalsociety.org/blog/2021/03/volcanic-vistas

72. Rubin V. C. An Interesting Voyage // Annual Review of Astronomy and Astrophysics. 2011. Vol. 49. P. 1-28. doi.org/10.1146/annurev-astro-081710-102545; Carnegie Science. Vera Rubin: Opening doors to dark matter and women in STEM. carnegiescience.edu/vera-rubin-opening-doors-dark-matter-and-women-stem

73. CHIME/FRB Collaboration. The CHIME Fast Radio Burst Project: System Overview // The Astrophysical Journal. 2018. Vol. 863. P. 48. doi.org/10.3847/1538-4357/aad188; Agarwal D. et al. FETCH: A deep-learning based classifier for fast transient classification // MNRAS. 2020. Vol. 497. P. 1661. doi.org/10.1093/mnras/staa1856

74. Degrave J. et al. Magnetic control of tokamak plasmas through deep reinforcement learning // Nature. 2022. Vol. 602. P. 414-419. doi.org/10.1038/s41586-021-04301-9

75. Wei A. Запись в X от 19.07.2025 о золотом уровне модели OpenAI на IMO 2025 и проверке решений тремя бывшими медалистами. twitter.com/alexwei_/status/1946477742855532918; решения — github.com/aw31/openai-imo-2025-proofs