2026. szeptember 29., kedd · Kutatás

Grafikus neurális háló jósolja fehérjék membrán-topológiáját

Egy új kutatás a SchNet grafikus neurális hálót (GNN) alkalmazza transzmembrán fehérjék topológiájának előrejelzésére, közvetlenül a 3D szerkezetből kiindulva. A modellt a DeepTMHMM nevű korábbi módszer kifejlesztéséhez használt adathalmazon tanították, ötszörös keresztvalidációval. A szerzők állítása szerint a szokásos, csak az aminosav-szekvenciát vagy az alfa-szénatomokat használó megközelítésekkel szemben itt minden atomszintű beágyazást felhasználtak a klasszifikátor felépítéséhez. Fontos hangsúlyozni, hogy ez egy lektorálás előtt álló arXiv-preprint, előre betanított súlyok nélkül készült, és a cikk csak „nagy potenciált” említ, nem véglegesített, validált teljesítménymutatókat. Az eredmény tehát ígéretes irányt jelez a GNN-alapú topológia-predikcióra, de önálló, független megerősítésre még szükség van.

Miért fontos?

A módszer újdonsága, hogy a fehérje 3D szerkezetének minden atomját beágyazza a SchNet hálóba, ami eltér a DeepTMHMM szekvencia-alapú megközelítésétől, és ez befolyásolhatja a jövőbeli membránfehérje-célzott gyógyszerkutatási modellek felépítését.

Források

arXiv cs.AI Preprint

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglalók AI kutatás #SchNet#DeepTMHMM

Napi összefoglaló

Ez a hír a 2026. szeptember 29., kedd napi AI összefoglaló része.

Kapcsolódó hírek

Microsoft bemutatta a Quine nevű AI-rendszert a biológiai kutatáshoz

A Microsoft Research bejelentése szerint elkészült a Quine nevű kutatási rendszer, amely egy többmodalitású „világmodellt” épít a biológiáról, és összeköti a modelleket, tudományos eszközöket, szakirodalmat és kutatókat egyetlen interaktív keretben. A vállalat állítása szerint a Broad Institute (Harvard–MIT) kutatóival együttműködve a rendszert olyan vegyületek rangsorolására használták, amelyek daganatsejtek állapotát terápiásan kedvező irányba tolhatják el, és a legjobbra rangsorolt jelöltek egy részét több laboratóriumi kísérletben validálták. A Microsoft saját közlése szerint a Quine kifejezetten kísérleti, kutatási célú technológia, klinikai vagy orvosi felhasználásra nem alkalmas, kimenetei hiányosak vagy pontatlanok lehetnek, és szakértői ellenőrzést igényelnek. A cég emellett egy „Quine Fellows” programot is indít, amelyben kutatók kaphatnak hozzáférést a rendszerhez, hosszabb távon pedig a technológiát a Microsoft Discovery termékcsaládba tervezik integrálni.

Anthropic AI-ügynökei „felfedezést” jelentettek, a biológusok vitatják

Az Anthropic a múlt szerdán bejelentette, hogy idén korábban molekuláris biológiai labort indított, ahol Claude-ügynökök olvasnak és tesznek feltevéseket nehéz biológiai problémákról, a kísérleteket pedig emberi kutatók végzik el. A cég állítása szerint a 950 ügynökből álló rendszer 21 óra alatt egy ismert enzim körüli, korábban nem katalogizált ismétlődő mintázatot talált, amelyet a CRISPR-hez vezető felfedezésekre emlékeztetőnek nevezett. Több biológus vitatja ezt: egy virálissá vált bejegyzés szerint egy furcsa génklaszter megtalálása a könnyebb rész, az igazi felfedezés annak kiderítése, mit is csinál a rendszer – ezt a kritikát az Eli Lilly vezérigazgatója is megerősítette. A New York Times szerint emellett Mario Rodríguez Mestre, a Koppenhágai Egyetem biológusa azt állítja, csapata már korábban felfedezte ugyanezt a mintázatot.

Fudani kutatás: az AI-ügynökök egyre több lépést tesznek, de a döntés az emberé marad

Egy kutatócsoport, amelyben a kínai Fudan Egyetem munkatársai is részt vettek, saját projektjét vizsgálta meg: hogyan dolgoznak együtt emberek és AI-ügynökök egy új nyelvi modell, az Atria Dawn Preview fejlesztésében. A nem lektorált, előzetes kutatási beszámoló szerint a 744 milliárd paraméteres, mixture-of-experts architektúrájú modell 16 benchmarkból ötben vezet, de összességében nem előzi meg a versenytársakat. A csapat 700-nál több feladatnaplót elemzett 56 résztvevőtől: a feladatok 96,5 százalékában használtak AI-t, és az ügynöki lépések és emberi bemenetek aránya négy hét alatt 11-ről 28,5-re nőtt. A szerzők szerint ez nem jelenti az ügynökök nagyobb önállóságát, csupán azt, hogy minden emberi döntés több gépi lépést indít el. A résztvevők a befejezett, AI-val segített feladatok mintegy harmadát olyannak minősítették, amit AI nélkül egyáltalán nem is vállaltak volna.

Nvidia-kutatás: SoL-Pi rendszer felére csökkenti a kódoló AI-ügynökök tokenfogyasztását

Az Nvidia kutatói egy tanulmányban mutatják be a SoL-Pi rendszert, amely a kódoló AI-ügynökök úgynevezett harnessét, vagyis a modell és a környezet közötti vezérlőréteget optimalizálja automatikusan. A The Decoder beszámolója szerint egy megfigyelő kutatási AI-ügynök elemzi a végrehajtási nyomokat, javaslatokat tesz a harness módosítására, majd teszteli azokat, és csak a teljesítményt megőrző, olcsóbb változatokat tartja meg. A kutatók állítása szerint az EdgeBench teszten a SoL-Pi 50 százalékkal kevesebb tokent használt a Codexhez, és 54,3 százalékkal kevesebbet a Claude Code-hoz képest, miközben a teljesítmény nagyjából változatlan maradt. A kutatás 535 futtatható környezetben 152 irányt vizsgált, ebből 495 feladat GitHub issue-pull request párokból származott, 40 pedig szintetikus teszteset volt, összesen több mint 3000 futtatással és 60 000 ügynök-környezet interakcióval, ami a kutatók szerint a keresés szélességét mutatja.