2026. augusztus 6., csütörtök · Kutatás

VirTues: mesterséges intelligencia modell térbeli fehérjetérképek elemzésére

A Nature-ben publikált, lektorált kutatás bemutatja a VirTues nevű alapmodellt, amely térbeli proteomikai adatokat – szövetekben mért fehérjemintázatokat – képes egységesen elemezni, függetlenül a használt markerpanelektől és protokolloktól. A szerzők állítása szerint egyetlen előtanított háttérből kiindulva a modell fehérjéket, sejteket, sejtes környezeteket és teljes szöveteket jellemez, sejttípusokat azonosít, és betegeket csoportosít, akár korábban nem látott adatkészleteken is. Hármas negatív emlőrákos mintákon a VirTues által azonosított biomarkerek a cikk szerint pontosabban jelezték előre az anti-PD-L1 kemoimmunterápiára adott választ és a betegségmentes túlélést, mint a jelenlegi klinikai besorolási módszerek vagy más, ugyanazon adatokból származó biomarkerek.

Miért fontos?

A módszer csökkentheti a különböző laborok és protokollok közötti eredmény-összemérhetőségi problémákat a rákkutatásban, ami eddig gátolta a robusztus biomarker-felfedezést.

Források

Nature Tudományos

Említve a tudásbázisban

fogalom Alapmodell (foundation model)

Kapcsolódó témák

Napi összefoglalók AI kutatás #spatial proteomics#foundation model

Napi összefoglaló

Ez a hír a 2026. augusztus 6., csütörtök napi AI összefoglaló része.

Kapcsolódó hírek

Mesterséges intelligencia tár fel rejtett kockázatokat alvásfelvételekben

A Nature Communications folyóiratban megjelent tanulmány szerint kutatók egy alapmodellt (foundation model) fejlesztettek, amelyet több mint 10 000, elektronikus egészségügyi adatokkal összekapcsolt klinikai alvásfelvételen tanítottak be. A modell öt, egymástól jelentősen eltérő kockázati csoportot különített el a betegek körében a halálozás, valamint a szív-érrendszeri és neurológiai betegségek kockázata alapján. A legmagasabb kockázatú csoportban a halálozási kockázat több mint kétszerese volt a legalacsonyabbnak, míg a hagyományosan használt apnoe-hipopnoe index súlyossági kategóriái csak korlátozott előrejelző értékkel bírtak. A szerzők szerint a modell egy független adatbázisban, a Sleep Heart Health Study-ban is elkülönítette a magas és alacsony kockázatú betegeket, alacsonyabb felbontású adatok mellett is.

Robotkarok ritkán tagadják meg a veszélyes parancsokat egy új biztonsági teszten

A Robocurve kutatói egy új RoboHarm nevű benchmarkban tesztelték, hogy vezető AI-modellek megtagadják-e a veszélyes utasításokat robotkarok vezérlésekor. Az OpenAI GPT-6 Astra, az Anthropic Claude Fable 5.1 és az Ai2 MolmoAct2 modelleket öt olyan feladatra kérték, amelyeket egy biztonságos rendszernek mindig vissza kellene utasítania, köztük egy babát kés közelében megszúrni, sűrített levegős dobozt égő tűzhelyre tenni, illetve fehérítőt ammóniával keverni. A GPT-6 Astra 100 próbálkozásból 60 veszélyes feladatot teljesített, és csak kétszer utasított vissza parancsot; a babát 20-ból 17-szer szúrta meg. A Claude Fable minden bababal kapcsolatos kérést megtagadott, de a másik négy feladattípusnál egyszer sem, összesen 34 veszélyes akciót hajtott végre. A MolmoAct2 sosem tagadott meg utasítást, de 100-ból csak hatot teljesített sikeresen, mert gyakran egyszerűen lefagyott, ami nem jelent biztonságosságot, csak működésképtelenséget.

ScientistTwo: önállóan kutató és publikáló AI-rendszer preprintje

Egy kutatócsapat bemutatta a ScientistTwo nevű, több AI-ügynökből álló keretrendszert, amely a fejlesztők állítása szerint emberi beavatkozás nélkül képes végigvinni egy tudományos felfedezési ciklust: hipotézist állít fel, kísérleteket futtat, ablációs vizsgálatokkal finomítja a módszert, majd egy szimulált, AI-alapú bírálati-válaszadási folyamattal ellenőrzi az eredményt. A szerzők a rendszert olyan cikkekhez hasonlították, amelyeket korábban elfogadtak az ICLR, ICML és NeurIPS konferenciákon, és azt közlik, hogy a ScientistTwo által generált, futtatható kóddal ellátott tanulmányok automatizált AI-bírálók pontozásában átlagosan magasabb értékelést kaptak, mint az emberi szerzők cikkei. Fontos hangsúlyozni, hogy ez egy arXiv-preprint, tehát az eredmények még nem mentek át független emberi szakmai lektoráláson. A szerzők a rendszert nem puszta segédeszköznek, hanem önálló „tudományos felfedezőnek” nevezik, ez azonban a saját minősítésük, nem külső validáció.

Új benchmark: LLM-ek megbízhatatlanok autós hangparancsok engedélyezésénél

Kutatók egy 202 forgatókönyvből álló benchmarkot dolgoztak ki, amely azt méri, mennyire biztonságosan döntenek a nagy nyelvi modellek (LLM) autós hangasszisztensek parancsainak kezeléséről – végrehajtás, elutasítás, visszaigazolás vagy manuális vezérlés között. A nem lektorált arXiv-preprint szerint a Gemini 3.1 Pro Preview érte el a legjobb, 89,1%-os egyezést a referenciadöntésekkel, míg a Llama 3.2 3B csak 40,1%-ot; a három API-alapú modell 83,2-89,1% között teljesített, szignifikáns különbség nélkül. Még a legjobb modellek is 2-3 hamis végrehajtást produkáltak a 161 nem-végrehajtási esetből, és a visszaigazolási döntéseknél tartós hibák maradtak. A szerzők szerint a strukturált LLM-döntések önmagukban nem elégségesek, független érvényesítési rétegre van szükség a valós autós beépítéshez.