2026. augusztus 30., vasárnap · Kutatás

Gépi tanulási modell javítja a genetikai kockázati pontszámok pontosságát

A Nature Communications korai hozzáférésű, lektorált, de a végleges közlésre még váró cikke szerint Ross DeVito és Melissa Gymrek (UC San Diego) kutatói olyan módszert dolgoztak ki, amely a hely- és időadatokat, valamint egyéb nem genetikai tényezőket nemlineáris gradient boosted decision tree modellel kezeli, nem a szokásos lineáris korrekcióval. A modell előrejelzését kiegészítő kovariánsként adják a poligénikus pontszám (PGS) számításához. A UK Biobank adatain 16 fenotípust vizsgálva a szerzők állítása szerint ez a megközelítés minden vizsgált tulajdonságnál javította az előrejelzést, a BASIL módszerrel medián 7,3%-os R² növekedést mértek. Az elemzés szezonális hatásokat, nemhez kötött életkor-összefüggéseket és összetett földrajzi mintázatokat is feltárt, ami a szerzők szerint jobban megérteti a környezeti hatások szerepét komplex tulajdonságokban.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A módszer, ha más adatkészleteken is beigazolódik, pontosabbá teheti a genetikai kockázati előrejelzéseket a személyre szabott orvoslásban.

Források

Nature Tudományos

Kapcsolódó témák

Napi összefoglalók AI kutatás #poligénikus pontszám#UK Biobank

Napi összefoglaló

Ez a hír a 2026. augusztus 30., vasárnap napi AI összefoglaló része.

Kapcsolódó hírek

Anthropic: kis AI-modellek önállóan terjedhetnek okoseszközökön

Az Anthropic két kutatója, William Zhou és Daniel Freeman által jegyzett tanulmány szerint a kisméretű nyelvi modellek hamarosan képesek lehetnek önállóan, férgekhez hasonlóan terjedni gyengén védett fogyasztói eszközökön, például okostévéken, hűtőkön vagy robotporszívókon. A kutatók egy Gemma4-26B-A4B modellt 15 darab, egyenként mintegy 55 dolláros, 4 GB RAM-os Android TV-dobozra osztva futtattak, a GLM-5.2 modell pedig a tanulmány szerint mind a nyolc tesztelt eszközön végigvitte a teljes replikációs láncot: hálózatot pásztázott, bejutott egy új eszközre, ott beállította a futtatási környezetét, majd onnan tovább is tudott terjedni. Az Anthropic szerint jelenleg még nincs olyan modell, amely egyszerre elég kicsi és elég ügyes lenne ehhez éles környezetben, de a kutatók úgy vélik, ez a rés hamarosan bezárulhat. A cég vezérigazgatója, Dario Amodei a Financial Times szerint több száz milliárd dolláros kárt okozó jövőbeli kiberfenyegetésre figyelmeztetett.

Kínai matematikus-szövetség alakult az AI-kutatásra, miközben Nyugaton félnek az eltompulástól

A The Decoder beszámolója szerint Csiu-Si Jau (Shing-Tung Yau) Fields-érmes matematikus és kollégái vasárnap Pekingben megalapították a „Yau Laboratory Alliance for Mathematics and Artificial Intelligence” nevű szövetséget, amely a South China Morning Post cikke alapján nyolc intézményt tömörít, és célja egy több mint ezer kutatóból álló hálózat felépítése az AI matematikai alkalmazására. Jau szerint Kína lemaradásban van az Egyesült Államokkal szemben, ezért specializált modelleket, gépileg ellenőrizhető bizonyításokat és átlátható AI-érvelést akarnak kifejleszteni. Ezzel szemben a The Decoder szerint a nyugati matematikus-közösségben inkább szkepticizmus uralkodik: huszonöt Fields-érmes matematikus, köztük Terence Tao és Peter Scholze attól tart, hogy az AI által generált bizonyítások aláássák a matematikai megértést, és a kutatókat olyan eszközöktől teszik függővé, amelyeket már nem tudnak önállóan követni. A cikk szerint a közösség egy része bojkottra szólít fel az AI-generált bizonyításokkal szemben, míg mások a beérkező automatizált beadványok puszta mennyiségén döbbennek meg.

DeepMind AI-ja kilenc Erdős-problémát oldott meg, lektorált tanulmányban

A Google DeepMind új rendszere, az AlphaProof Nexus a Gemini 3.1 Pro nyelvi modellre épül, és a Science folyóiratban megjelent, lektorált tanulmány szerint kilencet megoldott a 353 nyitott Erdős-probléma közül, köztük kettőt, amely 56 éve várt megoldásra. A cég szerint a rendszer emellett 44 sejtést bizonyított az OEIS egész szám-sorozat adatbázisából, megoldott egy nyitott algebrai geometriai kérdést, és javított egy ismert korlátot a min-max optimalizálásban, amelyet egyes AI-modellek betanításához is használnak. A rendszer a Lean formális nyelven vázolja és javítja a bizonyításokat, a Lean minden szerkesztés után ellenőrzi azokat, a hibaüzenetek pedig irányítják a következő próbálkozást, nehezebb részfeladatoknál pedig a specializált AlphaProof eszközt is bevetheti. A publikáció éles vitába csöppent: a lap szerint az OpenAI korábban több száz AI-generálta bizonyítást töltött fel a GitHubra anélkül, hogy folyóiratnak nyújtotta volna be őket, amit a Terence Tao vezette Association for Human Mathematics bojkottra szólított fel, míg a DeepMind a saját munkáját lektorálásnak vetette alá.

Microsoft Research: diákszimulátorral finomítanák az AI-oktatókat

A Microsoft Research bemutatta a StudentSim nevű kutatási rendszert, amely a vállalat szerint nyilvánosan elérhető, anonimizált tanulói adatokból személyre szabott AI-diákszimulátorokat épít, egyet-egyet minden egyes tanulóhoz igazítva. A cél az, hogy az AI-oktatórendszerek fejlesztői gyorsan és olcsón kapjanak visszajelzést arról, hogyan reagálnak a diákok egy-egy tanácsra, és javul-e a megértésük, anélkül, hogy minden iterációhoz valódi tanulói kísérletre lenne szükség. A rendszert a StudentSimEval nevű benchmarkon tesztelték sakk, angol mint idegen nyelv írásos feladatai és matematika területén, és a Microsoft állítása szerint felülmúlta a vezető alapmodelleket abban, hogy mennyire hitelesen utánozza egy adott diák válaszait és azok változását a tanári útmutatás után. A cég hangsúlyozza, hogy a StudentSim kutatási eszköz, nem éles termék, nem használják tantermekben, és nem helyettesíti a tanárokat.