Anthropic превращает нейросеть в главного научного сотрудника. Кейсы из Стэнфорда и MIT: от анализа генома за 20 минут до агентов, заменяющих годы работы постдоков.
3 мин
Наука больше не делается в тишине библиотек. Она делается в облаке, где кремниевые нейроны обрабатывают данные со скоростью, недоступной белковому мозгу. Anthropic, компания, стоящая за самым «человечным» ИИ на рынке, раскрыла карты: их модели, включая еще не анонсированный широко Opus 4.5, уже работают в передовых лабораториях мира, фундаментально меняя сам процесс открытий.
Речь идет не о банальной генерации кода или саммари статей. Мы наблюдаем рождение полноценных агентных систем в биологии и медицине. Anthropic запустила инициативу «<a href="/glossary/claude" class="text-primary hover:underline">Claude</a> for Life Sciences», и результаты первых кейсов выглядят как научная фантастика, ставшая будничной реальностью.
Главная проблема современной биологии — фрагментация. Сотни баз данных, проприетарный софт, разрозненные протоколы. Ученые тратят жизнь на настройку инструментов, а не на эксперименты. В Стэнфорде решили эту проблему радикально, создав Biomni — агентную платформу на базе Claude.
Это не просто чат-бот. Это диспетчер, имеющий доступ к сотням инструментов. Вы ставите задачу на естественном языке, а агент сам выбирает нужные базы данных, строит гипотезы и дизайнит эксперименты.
Цифры говорят сами за себя. Полногеномный поиск ассоциаций (GWAS) — процесс поиска генетических маркеров болезней — обычно занимает месяцы ручной очистки данных и анализа. Biomni справился с этим за 20 минут. В другом тесте система проанализировала данные с носимых устройств 30 человек за 35 минут — задача, на которую у человека-эксперта ушло бы три недели.
В лаборатории Иэна Чизмана (MIT) столкнулись с классическим парадоксом больших данных: CRISPR позволяет «выключать» тысячи генов и смотреть, что сломается, но анализировать эти поломки некому. Человеческий ресурс ограничен.
Ответом стала система с ироничным названием MozzareLLM (в честь другого инструмента лаборатории — Brieflow). Аспирант Маттео Ди Бернардо обучил Claude методологии самого профессора Чизмана. Они буквально оцифровали интуицию эксперта: на что смотреть, какие паттерны игнорировать, а какие считать открытием.
Результат? MozzareLLM не просто автоматизировал рутину. Он начал находить связи, которые пропускали люди. В одном из кейсов модель корректно идентифицировала путь модификации РНК, который другие нейросети отбросили как «белый шум». Чизман признает: «Каждый раз, проверяя работу ИИ, я нахожу вещи, которые сам не заметил».
В отчете Anthropic проскользнула, возможно, самая важная деталь: упоминание Opus 4.5. Согласно данным компании, эта модель демонстрирует значительный скачок в интерпретации графиков, вычислительной биологии и понимании структуры белков.
Мы стоим на пороге сдвига парадигмы. Ученые начинают кодировать свою методологию как «навык» для нейросети, превращая свои знания в масштабируемый софт. Это уже не просто помощь в исследованиях — это их полная автоматизация на уровне принятия решений.
