Melko iso uutinen BCI-maailmassa tänään. Ennen Insilicoa olin BCI:ssä. En odottanut, että tunkeilevat rajapinnat kehittyisivät näin nopeasti. Tulevaisuus tulee olemaan upea, ja toivon, että Elon ja Google panostavat siihen pian kunnolla voimaa.

Päivä 5 #ScienceAIBench: Kohteen tunnistus 🎯 Jatkamme päivittäistä julkaisusarjaamme viidennellä päivällä, siirtäen painopistettä molekyyliominaisuuksista biologisen kohteen löytämisen monimutkaiseen haasteeseen. Oikean terapeuttisen kohteen tunnistaminen on lääkekehityksen kriittisin askel kalliiden kliinisten epäonnistumisten välttämiseksi. Tänään sukellamme syvemmälle bioinformatiikkaan ja esittelemme tulokset TargetBench-moduulille. Menestys lääkeaineiden löytämisessä alkaa oikeasta kohteesta. Tämän päivän vertailuarvo arvioi rajamailla olevien tekoälymallien kykyä palauttaa vakiintuneita, kliinisen vaiheen kohteita monimutkaisille fibroottisille sairauksille, erottaen todelliset biologiset signaalit melusta. Olemme myös julkaisseet esipainoksen, jossa kuvataan menetelmämme ja täydelliset tulokset, ja se on nyt saatavilla verkkosivuillamme reaaliaikaisten vertailutietojen rinnalla. 📄 Lue esipainos: [ 🌐 Katso vertailukohta: [ 📋 Vertailuvaatimukset: Sairausaiheet: Idiopaattinen keuhkofibroosi (IPF), ateroskleroosi ja nivelrikko. Mittari: Clinical Target Recall (CTR) — tunnetujen kliinisen vaiheen kohteiden osuus, joka on löydetty mallin korkeimmilla ennusteilla. Arvioidut mallit: GPT-5, Claude Opus 4, Grok 4 ja DeepSeek R1. 📊 Havaittu suorituskyky: Paras suoritus: GPT-5 osoitti korkeimman kliinisen kohteen palautumisen kaikissa testatuissa indikaatioissa, saavuttaen 0,474 ateroskleroosille ja 0,352 IPF:lle. Suorituskyvyn stratifikaatio: Mallien välillä on selkeä ero; Claude Opus 4 sijoittui toiseksi (esim. 0,377 ateroskleroosille), kun taas Grok 4 ja DeepSeek R1 osoittivat yleisesti alhaisempia keräysprosentteja. Monimutkainen sairaushaaste: IPF osoittautui vaikeimmaksi lähtötasojen indikaatioksi, kun Grok 4 sai alhaisimman pistemääränsä 0,199, mikä korostaa monimutkaisen fibroottisen patologian vaikeutta päättelyssä. Yleinen suuntaus: Data paljastaa merkittävää kerrostumista biologisten kohteiden löytämisen päättelykyvyissä, ja mallien generaatioiden välillä on selkeät suorituskykytasot. 🔄 Päivitetty versio TargetBenchistä, jossa on laajennetut taudin indikaatiot, on tulossa pian. Pysy kuulolla saadaksesi lisää näkemyksiä. #ScienceAI #InsilicoBench #DrugDiscovery #AI #TargetIdentification #Bioinformatics #MachineLearning

Suuria uutisia @davidasinclair ja suuria uutisia alalle