В прошлом октябре Anthropic выпустила Claude for Life Sciences — набор коннекторов и навыков, которые сделали модель более удобным партнёром для научных задач. С тех пор компания значительно усилила возможности Claude для научной работы: версия Opus 4.5 продемонстрировала заметный прогресс в распознавании фигур, вычислительной биологии и понимании белков по ключевым тестам. Эти улучшения основаны на опыте сотрудничества с исследователями из университетов и компаний, что помогает глубже понять, как специалисты применяют ИИ для ускорения научного прогресса.
Команда Anthropic тесно взаимодействует с учёными через программу AI for Science, предоставляя бесплатные API-кредиты ведущим исследователям для высокозначимых проектов по всему миру.
Учёные создали специализированные системы, где Claude выходит за рамки простых задач вроде обзоров литературы или помощи в коде. В лабораториях, с которыми удалось пообщаться, модель участвует на всех этапах исследований: упрощает выбор экспериментов, делает их дешевле и быстрее, сокращая месяцы работы до часов с помощью разных инструментов, а также выявляет закономерности в огромных объёмах данных, которые люди могут пропустить. Часто Claude устраняет узкие места, беря на себя сложные задания с глубокими знаниями, которые раньше не масштабировались, а иногда открывает совершенно новые пути исследований.
Таким образом, Claude меняет подходы учёных к работе и ведёт к неожиданным научным открытиям.
Biomni: универсальный агент для биомедицины с доступом к сотням инструментов и баз данных
Одна из проблем биологических исследований — разрозненность инструментов: существует множество баз данных, пакетов ПО и протоколов, на освоение которых уходят часы. В идеале это время пошло бы на эксперименты, анализ данных или новые идеи.
Biomni — агентная ИИ-платформа из Стэнфордского университета — объединяет сотни инструментов, пакетов и протоколов, проверенных на практике. Система использует Claude для автоматизации типичных задач. Разработчики протестировали её на кейсах из разных областей. В одном Biomni спроектировал эксперимент по молекулярному клонированию; в слепой оценке протокол и дизайн полностью совпали с работой постдока с опытом свыше пяти лет. В другом случае платформа обработала данные с 450 файлов носимых устройств от 30 человек (включая мониторинг глюкозы, температуры и активности) всего за 35 минут — задача, на которую эксперту-человеку понадобилось бы три недели. В третьем Biomni изучила активность генов в выборке из 336 000 клеток эмбриональной ткани человека. Система подтвердила известные регуляторные связи, но также нашла новые транскрипционные факторы — белки, управляющие включением генов, — ранее не связанные с развитием эмбриона.
Biomni не идеальна, поэтому в ней есть защитные механизмы, чтобы заметить, если Claude сбивается. Не всё работает сразу из коробки. Но где модель слаба, эксперты могут добавить навык — описать методологию специалиста шаг за шагом, вместо импровизации. Например, при работе с Undiagnosed Diseases Network над редкими болезнями команда увидела, что подход Claude сильно отличается от клинического. Они опросили эксперта, задокументировали процесс диагностики и научили модели. С этими знаниями, раньше скрытыми, агент справился отлично.
Biomni — пример универсальной системы, собирающей инструменты в одном месте. Но другие лаборатории создают узкоспециализированные решения для конкретных проблем в своих процессах.
Лаборатория Cheeseman: автоматизация анализа масштабных экспериментов по нокауту генов
Чтобы выяснить функцию гена, учёные удаляют его из клетки или организма и смотрят, что ломается. Инструмент CRISPR, появившийся около 2012 года, позволил делать это точно и массово. Но данные генерировались быстрее, чем их успевали анализировать.
Именно с этим столкнулась лаборатория Иэна Чизмана в Институте Уайтхеда и Департаменте биологии MIT. С помощью CRISPR они отключают тысячи генов в десятках миллионов человеческих клеток, фотографируют каждую и ищут изменения. Паттерны на снимках показывают: гены с похожими функциями дают похожие дефекты. ПО может группировать их автоматически — лаборатория Чизмана разработала конвейер Brieflow (да, от brie — сыр).
Но понять, почему гены группируются, что у них общего, известна ли связь или это ново — требует ручного разбора литературы экспертом ген за геном. Это долго. Один экран даёт сотни кластеров, большинство остаются без внимания из-за нехватки времени, ресурсов или знаний о клеточных процессах.
Годами Чизман интерпретировал всё сам. Он помнит функции около 5000 генов, но анализ данных всё равно занимает сотни часов. Чтобы ускорить, аспирант Маттео Ди Бернардо изучил подход Чизмана — источники данных, паттерны, критерии интереса — и создал систему на Claude под названием MozzareLLM (видите сырную тему?).
Система берёт кластер генов и имитирует эксперта: находит общие биологические процессы, отмечает изученные и малоизвестные гены, предлагает приоритетные для дальнейшей работы. Это ускоряет процесс и приводит к новым открытиям. Чизман говорит, что Claude находит то, что он пропустил: «Каждый раз думаю: не заметил! И всегда можно проверить».
MozzareLLM полезна, потому что работает с разными данными и мыслит как учёный. Главное — даёт уровни уверенности в выводах, что помогает решать, стоит ли вкладываться.
Ди Бернардо сравнил модели: Claude превзошла другие. В одном тесте правильно определила путь модификации РНК, который конкуренты сочли шумом.
Чизман и Ди Бернардо планируют открыть аннотированные данные, чтобы специалисты из других областей дорабатывали кластеры. Например, биолог митохондрий изучит митохондриальные группы. По мере внедрения MozzareLLM в других лабораториях для CRISPR-экспериментов ускорятся интерпретация и проверка функций неизученных генов.
Лаборатория Lundberg: проверка генерации гипотез ИИ для выбора генов
В лаборатории Чизмана оптический пулинговый скрининг позволяет отключать тысячи генов за раз, проблема — в интерпретации. Но не все клетки подходят для пулинга. Лаборатории вроде Lundberg Lab в Стэнфорде проводят меньшие целевые скрининги, и узкое место раньше: выбор генов.
Один такой скрининг стоит от 20 000 долларов, цена растёт с объёмом, так что берут сотни наиболее вероятных генов для условия. Обычно аспиранты и постдоки заполняют Google-таблицу: ген, обоснование, ссылка. Это обоснованные догадки на основе литературы, опыта и интуиции, но ограничены человеческими возможностями и тем, что уже известно.
Лаборатория Lundberg перевернула подход с помощью Claude. Вместо «какие догадки на основе изученного?» система спрашивает: «что следует изучить по молекулярным свойствам?»
Команда построила карту всех известных молекул клетки — белков, РНК, ДНК — и их связей: взаимодействия белков, продукты генов, структурное сходство. Claude получает цель, например гены для клеточной структуры, и по карте находит кандидатов по свойствам и отношениям.
Сейчас идёт эксперимент по эффективности. Выбрали малоизученную тему — первичные реснички, антенноподобные выросты клеток, связанные с нарушениями развития и неврологией. Затем проведут геномный скрининг для ground-truth.
Сравнят экспертов-человеков (таблица) и Claude (карта). Если Claude найдёт 150 из 200 релевантных генов против 80 у людей — подход лучше. Даже при равенстве Claude быстрее, повышая эффективность.
Если подтвердится, метод станет стандартом для целевых скринингов. Вместо интуиции или грубой силы лаборатории смогут точно выбирать цели без геномных установок.
Перспективы
Эти системы неидеальны. Но за пару лет учёные интегрировали ИИ как партнёра для сложных задач — ускоряя или заменяя этапы исследований.
Общий мотив: полезность растёт с моделями. Каждая версия приносит улучшения. Два года назад модели писали код или суммировали статьи, теперь агенты повторяют эксперименты из них.
По мере развития инструментов и интеллекта моделей команда наблюдает, как эволюционирует научное открытие.