Сегодня в мире BCI большие новости. Прежде чем я попал в Insilico, я работал в BCI. Я не ожидал, что инвазивные интерфейсы будут развиваться так быстро. Будущее будет удивительным, и я надеюсь, что Илон и Google скоро вложат в это серьезные усилия.

День 5 #ScienceAIBench: Идентификация Целей 🎯 Мы продолжаем нашу серию ежедневных публикаций с Дня 5, переключая внимание с молекулярных свойств на сложную задачу открытия биологических мишеней. Идентификация правильной терапевтической мишени является самым критическим шагом в разработке лекарств, чтобы избежать дорогостоящих клинических неудач. Сегодня мы углубляемся в биоинформатику и представляем результаты модуля TargetBench. Успех в открытии лекарств начинается с правильной мишени. Сегодняшний бенчмарк оценивает способность передовых AI моделей восстанавливать установленные клинические мишени для сложных фиброзных заболеваний, отличая истинные биологические сигналы от шума. Мы также опубликовали препринт, в котором подробно изложены наша методология и полные результаты, доступные сейчас вместе с данными живого бенчмарка на нашем сайте. 📄 Читайте препринт: [ 🌐 Посмотреть бенчмарк: [ 📋 Спецификации бенчмарка: Показания к заболеваниям: Идиопатический легочный фиброз (IPF), Атеросклероз и Остеоартрит. Метрика: Восстановление клинической мишени (CTR) — доля известных клинических мишеней, извлеченных в верхних предсказаниях модели. Оцененные модели: GPT-5, Claude Opus 4, Grok 4 и DeepSeek R1. 📊 Наблюдаемая производительность: Лучший результат: GPT-5 продемонстрировал наивысшее восстановление клинической мишени среди всех протестированных показаний, достигнув 0.474 для атеросклероза и 0.352 для IPF. Стратификация производительности: Существует явный разрыв между моделями; Claude Opus 4 занял второе место (например, 0.377 для атеросклероза), в то время как Grok 4 и DeepSeek R1, как правило, показали более низкие показатели извлечения. Сложная задача заболевания: IPF оказался самым трудным показанием для базовых моделей, при этом Grok 4 зафиксировал свой самый низкий балл 0.199, подчеркивая сложность рассуждений над сложной фиброзной патологией. Общая тенденция: Данные показывают значительную стратификацию в способностях рассуждения для открытия биологических мишеней, с четкими уровнями производительности между поколениями моделей. 🔄 Скоро выйдет обновленная версия TargetBench с расширенными показаниями к заболеваниям. Оставайтесь с нами для получения дополнительных сведений. #ScienceAI #InsilicoBench #DrugDiscovery #AI #TargetIdentification #Bioinformatics #MachineLearning

Большие новости от @davidasinclair и большие новости для индустрии