ELEANOR: Мягкий манипулятор, вдохновлённый хоботом слона

Механизмы реакций состоят из пошаговых последовательностей элементарных реакций, которые объясняют химические преобразования. Поэтому изучение логики механизмов имеет решающее значение для повышения фундаментального химического интеллекта больших языковых моделей (БЯМ). Пошаговое выведение механизмов реакций естественно соответствует парадигмам рассуждений БЯМ. Однако текущие химические БЯМ в первую очередь акцентируют внимание на грубых наименованиях реакций для предсказания продуктов и ретросинтеза, что часто приводит к физическим несоответствиям и галлюцинациям. В отличие от этого, специализированные небольшие генеративные модели для вывода механизмов, как правило, страдают от ограниченной способности к обобщению в различных химических пространствах. Чтобы преодолеть эти ограничения, мы создали новый обширный набор данных для рассуждения о механизмах реакций. Более того, мы разработали FukuyamaBench — сложный эталон, основанный на книге Фукуямы «Современные механизмы органических реакций», для строгой оценки производительности моделей в иерархическом рассуждении о механизмах. Наша дообученная модель Qwen3-30B-A3B достигает 8,3% точного совпадения путей в наборе FukuyamaBench Set~A, превосходя специализированную модель FlowER (5,1%), что демонстрирует, что обучение с учетом механизмов значительно улучшает химическое рассуждение в языковых моделях.

Современные модели "визуального языка" (VLMs) часто испытывают трудности с выполнением сложных визуальных задач, которые требуют последовательного и детализированного мышления. Недавние методы нацелены на обучение моделей, способствующих саморефлексии, то есть пересмотру и улучшению сгенерированного рассуждения. Однако они требуют больших объемов аннотированных данных и не обладают явным рефлексивным поведением во время тестирования. Эта работа направлена на устранение этого разрыва через вдохновение из нейробиологии. Человеческий мозг демонстрирует эффективное обратное предсказание, то есть предсказание того, какие текущие состояния вероятны для предшествования данному будущему состоянию. В этой работе мы сначала подтверждаем, что основные VLMs могут выполнять обратное предсказание, аналогично человеческому мозгу. Затем мы предлагаем "Вдохновленное мозгом несупервизированное саморефлексия" (BUS), бесконечную рамку для обучения, чтобы улучшить возможности рефлексивного мышления в сложном анализе изображений. BUS позволяет VLMs выполнять обратное предсказание и предоставляет явные сигналы обучения на данных без истинных меток. Тем самым, BUS устраняет зависимость от аннотированных данных, улучшая при этом производительность рассуждений. Заметим, что BUS совместим с популярными методами тонкой настройки, такими как супервизированная тонкая настройка (SFT) и обучение с подкреплением (RL). Наконец, обширные эксперименты на 8 бенчмарках демонстрируют эффективность BUS в широком диапазоне сложных визуальных задач. Она достигает значительных улучшений по сравнению с базовой моделью, используя только необработанные данные для обучения. Наши экспериментальные данные подтверждают, что способность к обратному предсказанию имеет решающее значение для рассуждений VLM.

Деконволюция клеточных типов, задача оценки пропорций составляющих клеточных типов в гетерогенной биологической пробе, является основной проблемой в вычислительной биологии. Методы, основанные на эпигенетических маркерах, таких как метилирование ДНК, обычно работают с агрегированными оценками метилирования, игнорируя информацию о паттернах, содержащуюся в отдельных чтениях ДНК. Существующие подходы на уровне чтений, которые используют эту информацию, редки, и все они ограничены настройками с небольшим количеством классов; расширение их применения является открытой проблемой, поскольку на больших масштабах недискриминативные чтения доминируют, а жесткие метки противоречат многоместному соответствию между метилированиями и клеточными типами, что препятствует сходимости классификаторов. Чтобы преодолеть это, мы предлагаем данные-управляемую мягкую разметку, которая оценивает условное распределение клеточных типов для каждого чтения и интегрируем эту схему в Syto, новую модульную структуру для деконволюции на основе классификации на уровне чтений. На атласе всего тела из 39 типов клеток человека Syto снижает среднеквадратичную ошибку (MSE) в 2.56 раз по сравнению с SoTA, при этом улучшения переносятся на датасет вне распределения, охватывающий 16 тканей. Syto закладывает основу для моделирования все более крупных панелей клеточных типов с улучшенными приложениями в биологии и здравоохранении. Предложенная схема мягкой разметки также может быть адаптирована для любого сценария с многоместным соответствием сигнала и метки.

Недавние модели генерации и редактирования изображений могут создавать визуально привлекательные натуральные изображения, однако они остаются ненадежными, когда целевое изображение представляет собой знания-интенсивную диаграмму, корректность которой зависит от дисциплинарных концепций, символической структуры и точных пространственных отношений. Мы представляем DisciplineGen-1M, набор данных многодисциплинарного масштаба с миллионом образцов, который поддерживает генерацию изображений из текста и редактирование изображений. Он содержит 1,2 миллиона образцов из математики, физики, химии, биологии, географии, информатики, экономики, истории, музыки и спорта. Для создания набора данных мы разрабатываем масштабируемую структуру, которая объединяет рендеринг векторной графики, редактирование на основе OCR, программный синтез и крупномасштабную фильтрацию текстов в изображения. Эти рабочие процессы обеспечивают создание аннотаций, инструкций по редактированию, структурированных аннотаций и пар изображений с контролируемыми семантическими различиями. Основываясь на DisciplineGen-1M, мы дополнительно представляем модель генерации рассуждений, учитывающую дисциплину, для генерации изображений из текста и редактирования изображений. Эксперименты на связанных с дисциплиной моделях, GenExam и GRADE, показывают значительные улучшения по сравнению с открытыми эталонами, в то время как оценки на общих моделях, информированных рассуждениями, WISE и RISE, дополнительно указывают на более широкий перенос. Результаты свидетельствуют о том, что структурированные академические визуальные данные большого объема являются ключевым компонентом для перехода генерации изображений от эстетической правдоподобности к верифицируемому созданию визуального контента на основе знаний. Мы публично выпустим наш набор данных, модель и исходный код процесса кураторства данных, чтобы обеспечить воспроизводимость и содействовать будущим исследованиям.

Понимание механистической функции гена является критически важной отправной точкой для биологии. Однако, для значительной части человеческого протеома эти знания разбросаны по тысячам первичных публикаций или остаются плохо установленными, в то время как кураторские базы данных, на которые полагаются биологи, могут отставать на годы от свежей литературы. Большие языковые модели теперь могут читать и синтезировать эту литературу по запросу, но делать это достоверно для многих генов — это дорогостоящая, неповторяемая сессия извлечения, которая не масштабируется среди пользователей. Здесь мы представляем Аффинаж, конвейер LLM, который выполняет это извлечение и механистическое рассуждение один раз для каждого гена — только на основе первичной литературы — и хранит результат в виде структурированной аннотации, которую можно повторно использовать. Программа чтения, разработанная биологами, извлекает только прямые экспериментальные доказательства, а синтетический этап рассуждает только на основе этих находок. Применяя анализ по всему геному, Аффинаж аннотирует 19 293 человеческих белок-кодирующих генов. Этот анализ предоставляет механизмы для тысяч генов, чей функционал в UniProt пуст или неполный, превосходя кураторские справочные материалы по 99.1% генов в прямом сравнении, оцененным независимо судьями LLM разных семейств. Аффинаж также определяет 10% протеома, которые остаются механистически не охарактеризованными, и будет служить постоянно обновляемым, основанным на литературе перепиской функций генов. Все записи доступны открыто по адресу https://affinage.wi.mit.edu. Более широко, Аффинаж служит примером того, как эксперты в области могут закодировать свои знания в масштабируемые конвейеры LLM, чтобы улучшить публично доступные данные, которые направляют биологические гипотезы и эксперименты.

Продуктивность антител и качество гликозилирования в культурах CHO возникают из динамически меняющейся метаболической среды, однако модели часто работают в изоляции или на одном уровне. В данной работе мы представляем мультимасштабную механистическую модель, связывающую молекулярный, клеточный и процессный уровни, для предсказания того, как входные параметры формируют траектории биопроцессов. Основой модели является кинетическая модель на уровне одной клетки, которая связывает метаболические и гликозилирующие сети, управляющие выходом и критическими качественными характеристиками (CQA). Стохастическая модель одной клетки описывает зависящие от окружающей среды переходы между ростом, производством и упадком, учитывая гетерогенность популяции. Мы также вводим накопительное изменение скорости поглощения кислорода, интегрируя общее метаболическое изменение со временем, как компактный биомаркер для предсказания метаболических изменений. В отличие от подходов, основанных на среднем по популяции, модель передает метаболические состояния с разрешением на уровень клеток (включая pH Гольджи, регулируемое аммиаком, доступность нуклеотидных сахаров, марганцевые кофакторы и скорость синтеза) в процесс гликозилирования. Модель была оценена на культурах CHO-K1, производящих VRC01 IgG1 при целевом стрессе от аммиака, в условиях контроля и с использованием стратегии пирамидальной подачи с более строгим контролем. Она точно предсказывает траектории плотности клеток, метаболитов, продуктивности и гликозилирования, включая увеличение G0F и снижение галактилирования при стрессе от аммиака, и количественно оценивает, как метаболическая гетерогенность влияет на изменчивость продуктивности и CQA. Эта работа предоставляет единое основание для предсказательной биопроизводства и продвинутого управления процессами.