📌 В одном из первых кейсов Google предложил сотрудничество профессорам Хосе Пенадесу (слева) и Тьяго Косте (справа) из Имперского колледжа Лондона. Изначально планировался тестовый проект с определенной научной задачей. Но она требовала длительной валидации. Тогда ученые решили использовать уже полученные, но еще не опубликованные данные. То были результаты многолетней работы над загадочными cf-PICIs — капсидообразующими фаг-индуцируемыми хромосомными островками (capsid-forming phage-inducible chromosomal islands). Эти генетические элементы «просыпаются» при заражении бактерий бактериофагами для «побега с тонущего корабля». Исследуемые вирусоподобные частицы, выходящие из клетки, оказались «дефектными»: у них отсутствовали хвосты, и они не могли заражать другие бактерии.

🤔 Долгое время оставалось непонятно, в чем заключается биологический смысл этого процесса. Ведь если частицы не могут заражать, они не могут закрепиться в новой бактерии и не обеспечивают свое дальнейшее распространение. Предполагалось, что в естественной среде эти частицы заражают какой-то другой штамм бактерий. Ученые чувствовали, что объяснение должно быть простым, но пасьянс никак не складывался.

🎯 AI Co-Scientist, не имея доступа ни к лабораторным записям, ни к экспериментальным данным, самостоятельно воспроизвел гипотезу, к которой команда шла годами — сквозь тернии многолетней работы с трудно интерпретируемыми результатами. Он предположил, что cf-PICIs могут выходить из клетки в виде капсидов без хвостов, а затем «подхватывать» хвосты от других, «случайных» фагов, присутствующих в окружающей среде. Это объясняет, почему cf-PICIs обнаруживаются у широкого спектра бактерий-хозяев: разные типы хвостов обеспечивают распознавание и заражение различных видов бактерий. А модульная природа этих элементов делает их потенциально мощным инструментом для фаговой терапии и генной инженерии.

🗣️ Позже профессор Пенадес признался: «Я был предвзят и знал слишком много. Именно поэтому мы не могли увидеть очевидный ответ, который был перед нами в течение многих лет». Глубокая экспертиза, как ни парадоксально, стала препятствием. Как отметил Тьяго Коста, AI Co-Scientist способен видеть то, что опытные умы игнорируют, когда слишком хорошо знают контекст 💡 В реальности «Эврика!» у профессоров случилась в ходе беседы с неискушенным студентом: а что, если для индукции нужен один фаг, а для захвата хвоста и распространения — другой?

🔗 Результаты исследования уже доступны в виде препринтов: первый — с подробным описанием открытия нового механизма мобильности cf-PICIs, второй — с описанием работы AI Co-Scientist.

🤫 Co-Scientist — непубличный продукт. Он доступен только ограниченному кругу академических партнеров в рамках пилотной программы Trusted Tester. Google объясняет это как техническими ограничениями, так и этическими рисками, связанными с автономной генерацией научных гипотез. Тем не менее, компания активно предлагает сотрудничество исследователям по всему миру — особенно в тех проектах, где важна стыковка дисциплин и нестандартное мышление. Google делает ставку не на автоматизацию, а на совместное творчество человека и машины — как на соавторство в процессе научного открытия.

💊 Co-Scientist показал себя и в других областях: предлагал перепрофилирование лекарственных веществ для лечения острого миелоидного лейкоза, находил эпигенетические мишени против фиброза печени. Но история с cf-PICIs показала, как искусственный интеллект не только ускоряет исследования, но и преодолевает один из самых фундаментальных барьеров в науке — человеческий фактор.

💬 А что думаете вы: Co-Scientist — угроза профессии ученого или ее эволюция?

Важно не путать Co-Scientist с Coscientist, о котором мы уже писали ранее. А если вы хотите вообще разобраться, какие нейросетевые модели сегодня доступны и как этично их использовать — приходите на мощный ребуст курса «Ученый будущего». Совсем скоро — обновленная программа 🆕

#выходные_у_бластим #бластим_технологии

СТРИТ ТОК В БЛАСТИМ🎤(18+)

Спросили прохожих на солнечных улицах, что они думают о гетероскедастичности. Спойлер: похоже, даже обыватели неплохо разбираются в статистике, линейных моделях и дисперсионном анализе. А вы шарите?

Что лучше ⚡️ гетеро- или 🔥 гомоскедастичность? Ставьте реакции или пишите комментарии

А также смотрите прошлый выпуск про паэлью p-value

ANOVAm nado? 👩‍🎓

Не то, что надо, а буквально необходимо как воздух и вода! Потому что это вторая часть из серии анализов реальных научных датасетов с Дарьей Бородко и Еленой Рыбиной. В новом видео «Разбор про водосбор» преподаватели препарируют таблицу о растении аквилегия. Всё по делу и без воды. В выпуске: сплетем красивый корреляционный хитмэп-ковер, построим плотные гистограммы и уделим время эстетикам, посмотрим на многомерный дисперсионный анализ и даже напишем регулярные выражения 🤩

Это видео с реальной работой датасайентиста — не обошлось и без ошибок и дебаггинга. А еще с не остывшим вайбом майских праздников — лютики-цветочки, грядочки-посадочки и такая клевая погода 🌸

🤓 Ладно, хватит огород городить, давайте лучше смотреть. Уже доступно на всех площадках: VK video | Rutube | YouTube

Напоминание! Хотите научиться самостоятельно проводить весь АнДан а-ля Дарья и получить советы от экспертов Бластим? Тогда спешите на курс «Статистика, R и анализ данных». Из-за того, что мы гарантированно копаемся в данных студентов — да, да, прямо с каждым индивидуально работают технические ассистенты — мы не можем брать бесконечно много участников. Старт занятий уже скоро, и места на исходе. Успейте связаться с нами или забронировать место, если всё-таки хотите попасть на этот поток 🌺