Как ученые используют Claude для ускорения исследований и открытий15.01.2026 00:00

В октябре прошлого года мы запустили Claude для наук о жизни (Claude for Life Sciences) — набор коннекторов и навыков, которые сделали Claude еще более эффективным научным помощником. С тех пор мы вложили значительные средства в то, чтобы сделать Claude наиболее способной моделью для научной работы: Opus 4.5 продемонстрировал значительные улучшения в интерпретации графиков, вычислительной биологии и бенчмарках понимания белков. Эти достижения, основанные на нашем партнерстве с исследователями из академических кругов и промышленности, отражают наше стремление понять, как именно ученые используют ИИ для ускорения прогресса.

Мы также тесно сотрудничаем с учеными в рамках нашей программы AI for Science, которая предоставляет бесплатные кредиты API ведущим исследователям по всему миру, работающим над научными проектами высокой важности.

Эти исследователи разработали кастомные системы, которые используют Claude способами, выходящими далеко за рамки таких задач, как литературные обзоры или помощь в написании кода. В лабораториях, с которыми мы общались, Claude выступает в роли соавтора, работающего на всех этапах исследовательского процесса: он упрощает и делает более экономически выгодным понимание того, какие эксперименты следует проводить, использует различные инструменты для сокращения проектов, обычно занимающих месяцы, до считанных часов, а также находит закономерности в огромных массивах данных, которые люди могут упустить из виду. Во многих случаях он устраняет «узкие места», справляясь с задачами, требующими глубоких знаний и ранее не поддававшимися масштабированию; в некоторых случаях он позволяет применять совершенно иные исследовательские подходы, чем те, которые ученые использовали традиционно.

Другими словами, Claude начинает менять то, как работают эти ученые, и направляет их к новым научным инсайтам и открытиям.

Biomni: универсальный биомедицинский агент с доступом к сотням инструментов и баз данных

Одно из «узких мест» в биологических исследованиях — фрагментация инструментов: существует сотни доступных баз данных, программных пакетов и протоколов, и исследователи тратят массу времени на выбор и освоение различных платформ. В идеальном мире это время могло бы быть потрачено на проведение экспериментов, интерпретацию данных или развитие новых проектов.

Biomni, агентская платформа на базе ИИ от Стэнфордского университета, объединяет сотни инструментов, пакетов и наборов данных в единую систему, в которой может ориентироваться агент на базе Claude. Исследователи дают ему запросы на обычном английском языке, а Biomni автоматически подбирает подходящие ресурсы. Он способен формировать гипотезы, разрабатывать экспериментальные протоколы и проводить анализ более чем в 25 биологических поддисциплинах.

Рассмотрим пример полногеномасштабного поиска ассоциаций (GWAS) — поиск генетических вариантов, связанных с определенным признаком или заболеванием. Абсолютный слух, например, имеет сильную генетическую основу. Исследователи берут очень большую группу людей — одни способны воспроизвести музыкальную ноту без эталонного тона, а других вы никогда не позовете на караоке — и сканируют их геномы на предмет генетических вариантов, которые чаще встречаются в одной группе, чем в другой.

Сканирование генома — дело (относительно) простое. Именно процесс анализа и осмысления данных отнимает много времени: геномные данные поступают в несогласованных форматах и требуют тщательной очистки; исследователям необходимо контролировать искажающие факторы и работать с пропущенными данными; как только они находят какие-либо «хиты», им нужно понять, что они на самом деле означают: какой ген находится поблизости (поскольку GWAS указывает лишь на участки в геноме), в каких типах клеток он экспрессируется, на какой биологический путь он может влиять и так далее. Каждый шаг может включать в себя разные инструменты, разные форматы файлов и множество ручных решений. Это утомительный процесс. На одно исследование GWAS может уйти несколько месяцев. Но в ходе раннего тестирования Biomni это заняло 20 минут.

Это может прозвучать слишком хорошо, чтобы быть правдой: можем ли мы быть уверены в точности такого анализа с помощью ИИ? Команда Biomni проверила систему на нескольких кейсах в различных областях. В одном из них Biomni разработал эксперимент по молекулярному клонированию; в ходе слепой оценки протокол и дизайн совпали с работой постдока с более чем пятилетним стажем. В другом Biomni проанализировал данные более чем 450 файлов с носимых устройств от 30 разных людей (смесь непрерывного мониторинга уровня глюкозы, температуры и физической активности) всего за 35 минут — задачу, на которую у эксперта-человека, по оценкам, ушло бы три недели. В третьем Biomni проанализировал данные об активности генов из более чем 336 000 отдельных клеток, взятых из тканей человеческого эмбриона. Система подтвердила уже известные ученым регуляторные связи, а также выявила новые факторы транскрипции — белки, которые управляют включением и выключением генов, — которые исследователи ранее не связывали с эмбриональным развитием человека.

Biomni не является совершенной системой, поэтому она включает в себя защитные механизмы для обнаружения сбоев в работе Claude. Он также пока не может делать абсолютно всё «из коробки». Однако там, где его возможностей не хватает, эксперты могут закодировать свою методологию в виде навыка (skill), обучая агента тому, как эксперт подходит к решению проблемы, вместо того чтобы позволять ему импровизировать. Например, при работе с Сетью недиагностированных заболеваний (Undiagnosed Diseases Network) над диагностикой редких болезней команда обнаружила, что подход Claude по умолчанию существенно отличается от действий клинициста. Поэтому они опросили эксперта, пошагово задокументировали его диагностический процесс и обучили этому Claude. Обладая этими новыми, ранее негласными знаниями, агент сработал отлично.

Biomni представляет собой один из подходов: универсальную систему, объединяющую сотни инструментов под одной крышей. Но другие лаборатории создают более специализированные системы, нацеленные на конкретные узкие места в их собственных исследовательских процессах.

Лаборатория Чизимана: автоматизация интерпретации крупномасштабных экспериментов по нокауту генов

Когда ученые хотят понять, что делает тот или иной ген, один из подходов заключается в том, чтобы удалить его из клетки или организма и посмотреть, что сломается. Инструмент редактирования генома CRISPR, появившийся примерно в 2012 году, позволил делать это легко и точно в больших масштабах. Но полезность CRISPR все еще была ограничена: лаборатории могли генерировать гораздо больше данных, чем успевали анализировать.

С именно такой задачей столкнулась лаборатория Иэна Чизимана (Iain Cheeseman) в Уайтхедском институте и на биологическом факультете Массачусетского технологического института (MIT). Используя CRISPR, они нокаутируют тысячи различных генов в десятках миллионов человеческих клеток, а затем фотографируют каждую клетку, чтобы увидеть произошедшие изменения. Паттерны на этих изображениях показывают, что гены, выполняющие схожие функции, при удалении склонны вызывать похожие повреждения. Программа может обнаруживать эти паттерны и автоматически группировать гены — лаборатория Чизимана создала конвейер для этих целей под названием Brieflow (да, сыр бри).

Но интерпретация того, что означают эти группы генов — почему они объединяются в кластеры, что у них может быть общего, идет ли речь об известной биологической связи или о чем-то новом, — по-прежнему требует от человека-эксперта просеивания научной литературы ген за геном. Это происходит медленно. Один скрининг может дать сотни кластеров, и большинство из них так и остаются неизученными просто потому, что у лабораторий нет времени, пропускной способности или глубоких знаний о разнообразных функциях клеток.

Годами Чизиман выполнял всю интерпретацию самостоятельно. По его оценкам, он может вспомнить функцию примерно 5 000 генов по памяти, но для эффективного анализа этих данных все равно требуются сотни часов. Чтобы ускорить этот процесс, аспирант Маттео Ди Бернардо (Matteo Di Bernardo) попытался создать систему, которая автоматизировала бы подход Чизимана. Тесно сотрудничая с Чизиманом, чтобы понять, как именно он подходит к интерпретации — к каким источникам данных обращается, какие паттерны ищет, что делает открытие интересным, — они создали систему на базе Claude под названием MozzareLLM (вы, возможно, уже уловили определенную тематику в названиях).

Она берет кластер генов и делает то, что сделал бы такой эксперт, как Чизиман: определяет, какой биологический процесс они могут разделять, отмечает, какие гены изучены хорошо, а какие — плохо, и выделяет те, которые могут заслуживать дальнейшего изучения. Это не только существенно ускоряет их работу, но и помогает делать важные дополнительные биологические открытия. Чизиман обнаруживает, что Claude постоянно замечает то, что он упустил. «Каждый раз, когда я прохожу мировую базу, я думаю: о, я этого не заметил! И в каждом случае это открытия, которые мы можем понять и верифицировать», — говорит он.

MozzareLLM так полезна еще и потому, что она не ограничена одной функцией: она может обрабатывать самую разную информацию и рассуждать как ученый. Что особенно важно, она указывает уровни достоверности своих выводов, что, как подчеркивает Чизиман, имеет решающее значение. Это помогает ему принять решение о том, стоит ли инвестировать дополнительные ресурсы в развитие ее выводов.

Создавая MozzareLLM, Ди Бернардо протестировал несколько моделей ИИ. Claude превзошел альтернативные варианты — в одном случае он правильно определил путь модификации РНК, который другие модели списали на случайный шум.

Чизиман и Ди Бернардо планируют сделать эти аннотированные Claude наборы данных общедоступными, чтобы эксперты из других областей могли исследовать кластеры, на которые у его лаборатории не хватает времени. Биолог-митохондриалист, например, мог бы погрузиться в митохондриальные кластеры, которые команда Чизимана отметила, но никогда не исследовала. По мере того как другие лаборатории будут внедрять MozzareLLM для собственных экспериментов с CRISPR, это может ускорить интерпретацию и валидацию генов, функции которых оставались не охарактеризованными годами.

Лаборатория Лундберга: тестирование генерации гипотез с помощью ИИ для выбора генов для изучения

Лаборатория Чизимана использует оптический пул-скрининг (optical pooled screening) — метод, позволяющий нокаутировать тысячи генов в ходе одного эксперимента. Их «узкое место» — интерпретация. Но далеко не каждый тип клеток работает с пуловыми подходами. Некоторые лаборатории, например, лаборатория Лундберга в Стэнфорде, проводят более мелкие, целенаправленные скрининги, и их «узкое место» возникает раньше: на этапе решения о том, какие именно гены взять в качестве мишеней.

Поскольку один целенаправленный скрининг может стоить более 20 000 долларов, а затраты растут вместе с масштабом, лаборатории обычно выбирают несколько сотен генов, которые, по их мнению, наиболее вероятно вовлечены в конкретное состояние. Обычный процесс включает в себя группу аспирантов и постдоков, сидящих за таблицей Google, добавляющих ген-кандидат за геном с одним предложением обоснования или, возможно, ссылкой на научную статью. Это игра в образованные догадки, основанная на литературных обзорах, опыте и интуиции, но ограниченная человеческими возможностями. Она также несовершенна, поскольку опирается на то, что другие ученые уже выяснили и записали, и на то, что присутствующие в комнате люди случайно помнят.

Лаборатория Лундберга использует Claude, чтобы перевернуть этот подход. Вместо того чтобы спрашивать: «Какие предположения мы можем сделать на основе того, что уже изучили исследователи?», их система спрашивает: «Что следует изучить, исходя из молекулярных свойств?»

Команда создала карту каждой известной молекулы в клетке — белков, РНК, ДНК — и их взаимосвязей. Они нанесли на карту, какие белки связываются друг с другом, какие гены кодируют какие продукты и какие молекулы структурно похожи. Затем они могут дать Claude цель — например, какие гены могут управлять определенной клеточной структурой или процессом — и Claude перемещается по этой карте, чтобы выявить генов-кандидатов на основе их биологических свойств и взаимосвязей.

В настоящее время лаборатория Лундберга проводит эксперимент по проверке эффективности этого подхода. Для этого им нужно было выбрать тему, по которой было проведено очень мало исследований (если бы они выбрали что-то хорошо изученное, Claude мог бы уже знать об устоявшихся выводах). Они выбрали первичные реснички (цилии) — похожие на антенны отростки на клетках, о которых мы все еще мало знаем, но которые связаны с различными нарушениями развития и неврологическими расстройствами. Затем они проведут скрининг всего генома, чтобы увидеть, какие гены действительно влияют на формирование ресничек, и установить достоверные базовые данные (ground truth).

Суть теста — сравнить людей-экспертов и Claude. Люди будут использовать подход с таблицами для своих догадок. Claude сгенерирует свои собственные с помощью карты молекулярных связей. Если Claude (гипотетически) поймает 150 из 200, а люди — 80 из 200, это доказательство того, что подход работает лучше. Даже если они будут примерно равны в обнаружении генов, все равно вероятно, что Claude работает намного быстрее и может сделать весь исследовательский процесс более эффективным.

Если подход сработает, команда видит его потенциал в качестве стандартного первого шага при скрининге целевых возмущений. Вместо того чтобы полагаться на интуицию или использовать грубые подходы, ставшие доминирующими в современных исследованиях, лаборатории смогут делать осознанные ставки на то, какие гены стоит таргетировать, добиваясь лучших результатов без необходимости иметь инфраструктуру для скрининга всего генома.

Взгляд в будущее

Ни одна из этих систем не идеальна. Но они указывают на то, как всего за несколько коротких лет ученые начали использовать ИИ в качестве партнера по исследованиям, способного на гораздо большее, чем базовые задачи, — действительно, всё чаще способного ускорять, а в некоторых случаях даже заменять многие аспекты исследовательского процесса.

В ходе общения с этими лабораториями проявилась общая тенденция: полезность созданных ими инструментов продолжает расти параллельно с возможностями ИИ. Каждый выпуск новой модели приносит заметные улучшения. Если всего два года назад ранние модели ограничивались написанием кода или суммированием статей, то более мощные агенты начали, пусть и медленно, воспроизводить ту самую работу, которую описывают эти статьи.

По мере совершенствования инструментов и роста интеллектуальных возможностей моделей ИИ мы продолжаем наблюдать и учиться тому, как вместе с ними развивается научный поиск.

Подробную информацию о расширенных возможностях Claude для наук о жизни смотрите здесь, а наши туториалы — здесь. Мы также продолжаем принимать заявки на нашу программу AI for Science. Заявки будут рассмотрены нашей командой, включая профильных экспертов в соответствующих областях.