Nature 19 мая опубликовал сразу две статьи про AI в науке, и обе не про красивую презентацию, а про проверку в лаборатории. Системы Google Co-Scientist и Robin от FutureHouse искали, какие уже известные препараты можно переиспользовать против конкретных болезней, а в одном случае AI дошел еще и до анализа экспериментальных данных.
Для русскоязычной IT-аудитории это важный сдвиг: AI в науке начинает продавать не обещание «заменим ученого», а более приземленную и потому более опасную для скептиков идею — заберем у человека самый дорогой дефицитный ресурс, время на перебор литературы, гипотез и тупиков. Как пишет Ars Technica, обе работы показывают именно этот сценарий: не магия, а ускорение исследовательского цикла там, где люди уже захлебываются в объеме публикаций.
У Google система Co-Scientist построена вокруг модели Gemini и работает как набор агентов с разными ролями. Одни генерируют гипотезы, другие спорят между собой, ранжируют идеи попарно, отсеивают слабые варианты и дорабатывают те, что выжили. В статье Nature авторы отдельно подчеркивают критерии отбора: правдоподобие, новизна, проверяемость и безопасность. На практике Co-Scientist применили к задаче ретаргетинга лекарств и комбинационной терапии для острого миелоидного лейкоза. Кандидаты, предложенные системой, затем проверяли in vitro, то есть на клеточных моделях, и часть из них действительно сработала, хотя не на всех типах клеток. Для онкологии это, в общем, не сюрприз: одинаковый диагноз часто собирается из разных молекулярных поломок, а значит, одна и та же терапия не обязана работать одинаково хорошо для всех клеточных линий.
Почему это вообще имеет смысл
Обе команды бьют по одной и той же боли современной науки: статей слишком много, дисциплины слишком разошлись по своим углам, а полезные связи между областями часто остаются нераскопанными. Если биолог изучает развитие сетчатки, он легко пропустит работу из соседней области, где тот же сигнальный путь уже разобрали в почке, иммунологии или микробиологии. Для человека такой поиск либо занимает недели, либо вообще не происходит. Для агентной системы это как раз подходящая грязная работа: читать сотни публикаций на фоне, собирать неочевидные связи и выдавать не ответ, а список гипотез, с которыми уже можно идти к людям и в лабораторию.
FutureHouse в этом смысле пошла дальше. Ее система Robin тоже построена как оркестратор специализированных агентов, но не ограничивается литературным обзором. Crow делает короткие выжимки статей, Falcon — более глубокий разбор, а Finch умеет автоматически анализировать данные из некоторых стандартных биологических экспериментов, включая flow cytometry и RNA-seq. Масштаб тут показательный: по данным статьи, Robin обработал 551 научную работу за 30 минут, тогда как у человека на это ушло бы примерно 540 часов. В качестве тестовой задачи система разбирала сухую форму возрастной макулярной дегенерации, одну из главных причин слепоты в развитых странах. Robin предложил гипотезу, что терапевтический эффект может дать усиление фагоцитоза у клеток пигментного эпителия сетчатки, затем составил отчеты по 30 кандидатным препаратам, предложил дизайн тестов и помог интерпретировать результаты.
Самый конкретный результат FutureHouse: Robin выделил препараты ripasudil и KL001, а затем на основе дополнительного RNA-seq-эксперимента связал эффект с повышением экспрессии ABCA1 — белка, который может оказаться новым терапевтическим таргетом. Ripasudil уже применяется в клинике против глаукомы, но, согласно статье, раньше его не предлагали как лечение сухой макулярной дегенерации. Это важная деталь: речь не о создании новой молекулы с нуля, а о поиске нового применения для уже известного вещества. Такой маршрут обычно проще, дешевле и ближе к практическому использованию, чем классическая разработка препарата с чистого листа.
Что здесь важно для индустрии
Самое любопытное в этих работах даже не сами кандидаты в лекарства, а архитектурный вывод. Побеждает не «одна очень умная модель», а связка из нескольких инструментов с доступом к внешним источникам, промежуточной проверкой и человеческим контролем. Google прямо пишет, что Co-Scientist остается model-agnostic и может переключаться на более сильные модели по мере их появления. FutureHouse показывает ту же мысль с другой стороны: специализированные агенты для научной литературы заметно снижают риск мусора. В пересказе Ars Technica особенно болезненно звучит один тест: если заменить Crow на OpenAI o4-mini, доля галлюцинированных ссылок подскакивает с нуля до 45%. Это хороший холодный душ для всех, кто все еще считает, что достаточно просто прикрутить общий LLM к поиску и назвать это «научным ассистентом».
Для разработчиков и продуктовых команд отсюда следует довольно прямой урок. Главная ценность подобных систем не в том, что они «думают как ученый», а в том, что они умеют собирать рабочий pipeline: поиск литературы, компрессию контекста, генерацию гипотез, ранжирование, объяснение выбора и, если повезло с доменом, анализ данных. Иными словами, это очень прикладной кейс для агентных систем с узкими инструментами и внятной ответственностью каждого модуля. Для бизнеса тоже сигнал понятный: в корпоративных R&D-процессах деньги могут лежать не только в foundation model, но и в вертикальной сборке вокруг нее — с доменной памятью, внутренними источниками, валидацией и интерфейсом для эксперта, который остается в контуре принятия решения.
При этом эйфорию рано открывать шампанским. Обе работы касаются сравнительно «легкой» части drug discovery: AI не проектировал принципиально новые молекулы и не проходил животных или клинические испытания, где валится львиная доля кандидатов. Но и этого достаточно, чтобы тренд стал очевиден: AI в науке постепенно смещается из режима «спроси чат-бота про статью» в режим полуавтономного исследовательского конвейера. Вопрос теперь не в том, заменит ли система ученого, а в том, какие лаборатории первыми научатся превращать такой конвейер в повторяемый процесс. Подробнее об исходном материале — .