# Как ИИ учится читать ДНК и лечить рак

Источник: https://www.youtube.com/watch?v=-XL2gClQ2gg
Канал: Y Combinator
Опубликовано: 08.11.2026

---

Падение стоимости секвенирования ДНК и взрывное развитие языковых архитектур превращают современную биологию из описательной науки в масштабную вычислительную дисциплину. В рамках юбилейного выпуска Paper Club акселератора Y Combinator исследователи и фаундеры обсудили трансформацию онкологии в персонализированную задачу анализа данных, моделирование виртуальных клеток, расшифровку регуляторного кода генома и применение in-context learning для проектирования биологических систем без изменения весов моделей.

## 🧪 Тест Тьюринга в реальном времени и золотой век AI Bio
[[JUMP:00:00]]

Ведущий встречи Франсуа открыл десятый выпуск Paper Club интерактивным экспериментом [00:07]. Поводом послужил недавний спор с Грегом из Arc AGI о том, решен ли классический тест Тьюринга [00:33]. Франсуа напомнил исходную формулировку Алана Тьюринга 1950 года: машина считается прошедшей тест, если после пяти минут диалога обычный человек определяет собеседника с вероятностью не выше 70% [00:48]. Франсуа выразил скепсис, отметив, что в диалогах со стандартными ботами техподдержки искусственный интеллект по-прежнему распознается почти безошибочно [01:14].

Чтобы проверить гипотезу на аудитории разработчиков и биологов, Франсуа за 12 часов с помощью инструмента Claude Code создал платформу для анонимных диалогов [01:40], [03:16]. Участников в случайном порядке соединяли либо друг с другом, либо с LLM-агентами (среди которых были протестированы Claude, GLM, Gemini, Grok и Kimi) [01:54]. Агенту был задан промпт 32-летнего мужчины, находящегося в аудитории YC [03:01].

Итоги эксперимента показали любопытное смещение:

*   Около 33% реальных людей в переписке были ошибочно приняты собеседниками за искусственный интеллект [02:19].
*   Даже при детальной настройке системного контекста доля успешного распознавания ИИ осталась в районе 30%, что подтверждает: граница между человеческим и машинным текстом стала крайне размытой [03:16].

По мнению Франсуа, сегодня наступил идеальный момент для запуска стартапов на стыке ИИ и биологии [03:22]. Его коллега Яша часто повторяет: «Когда у вас обнаружат рак, вы пожалеете, что не посвятили все свое время AI Bio» [03:45]. 

Франсуа привел ключевые технологические триггеры, сделавшие эту область перспективной:

*   Объем данных для обучения вырос до астрономических масштабов: модель Evo 2 обучалась на 9 триллионах пар оснований, а последующие архитектуры берут еще больший объем [04:11].
*   Модель AlphaFold, по заявлению Демиса Хассабиса в YC, сегодня задействована на тех или иных этапах разработки практически каждого коммерческого препарата [04:25].
*   Успешность ИИ-дизайна белковых связывателей (protein binders) в бенчмарке BindCraft достигает от 10% до 100% [04:39].
*   Генетические конструкции, спроектированные нейросетями стартапа Radical Numerics (выходцы из лаборатории Эрика Нгуена), уже переходят к клиническим испытаниям на пациентах [04:51].
*   Появление протокола рекурсивного самосовершенствования (RSI) для задач с подкреплением и верификацией результатов (RLVR): цикл генерации кандидатов моделью, их экспериментальной проверки (in silico или in vitro), измерения эффективности и дообучения теперь можно масштабировать инженерным путем [05:31], [06:14].

Франсуа также объявил, что это его заключительный выпуск Paper Club: после шести месяцев работы и более чем 1 млн просмотров за предыдущие 9 эпизодов он покидает Y Combinator, чтобы основать собственный стартап [07:32], [07:59].

## 🧬 Альфредо Гонсалес: онкология как индивидуальная задача анализа данных
[[JUMP:08:26]]

Альфредо Гонсалес — сооснователь биотех-стартапа Amanta, выпускник UCLA со степенью PhD по вычислительной онкологии, ранее работавший в Broad Institute и Гарварде над валидацией CRISPR-скринингов и факторами транскрипции [08:46], [09:37]. Гонсалес утверждает: заявление о том, что ИИ способен решить проблему рака, перестало быть преувеличением [09:49].

### Крах стоимости секвенирования и предел усредненной медицины
[[JUMP:10:44]]

Исторически биология рака опиралась на усредненные когортные исследования. Десять лет назад масштабный проект The Cancer Genome Atlas (TCGA) стал прорывом, секвенировав геномы сотен пациентов [11:13]. Из-за ограниченного размера выборки исследователи были вынуждены искать статистические средние показатели и мутации в 50 наиболее частых онкогенах [11:38], [13:28]. Однако такой подход неприменим к конкретному человеку: каждый рак генетически уникален [11:53].

Сегодня ситуация в корне изменилась:

*   Стоимость полного секвенирования генома упала настолько, что расшифровка ДНК стоит дешевле стандартного ужина в районе залива Сан-Франциско [10:44].
*   Страховые программы Medicare и Medicaid в США начали покрывать секвенирование для большинства пациентов с запущенными и рецидивирующими опухолями [10:58].
*   На одного пациента теперь приходится свыше 20 000 точек генетических данных, дополненных профилями экспрессии РНК, вариациями числа копий (CNV), альтернативным сплайсингом и клеточными состояниями [12:18], [12:46].

Гонсалес подчеркивает: академические исследования прошлого анализировали лишь порядка 0,1% доступной сегодня биологической информации [12:46]. Проблема переместилась из плоскости сбора биоматериала в плоскость обработки данных: как оперативно проанализировать терабайты информации конкретного пациента, пока болезнь прогрессирует [13:02]?

### Персональная лаборатория на базе мультиагентных систем
[[JUMP:13:56]]

Раньше для анализа масштабных генетических когорт в институтах уровня Broad или Sanger требовалась команда из 30–40 узких специалистов: алгоритмистов, системных инженеров, специалистов по поиску мутаций (variant calling), биоинформатиков, клинических генетиков и онкологов [14:51], [15:19]. 

Amanta воспроизводит структуру целого исследовательского института в виде программной фабрики ИИ-агентов, выделяемой под каждого отдельного больного [15:33], [15:47]:

1.  Агенты непрерывно парсят свежую научную литературу и связывают профиль опухоли с глобальными базами данных в реальном времени. Если статья с потенциально подходящей молекулой выходит во вторник, утром в среду агент предлагает включить ее в протокол [16:15].
2.  Специализированные агенты оценивают риски токсичности, фармакокинетику, сопутствующие мутации и совместимость препаратов [16:41].
3.  Сроки аналитического пайплайна сокращаются с академических месяцев до считаных часов [16:29].

### Клинические кейсы: редкие опухоли и клональная эволюция
[[JUMP:17:08]]

Гонсалес привел примеры из практики применения агентной платформы:

*   **Редкая опухоль мозга.** Пациент страдал онкологическим заболеванием с крайне малой статистической выборкой, из-за чего стандартные клинические рекомендации отсутствовали [18:02]. Агентная система сопоставила молекулярный профиль опухоли и обнаружила, что по активным сигнальным путям и поверхностным маркерам она идентична саркомам мезенхимального происхождения [18:15]. Это позволило назначить терапию, не применяемую при классических опухолях ЦНС, и добиться ремиссии [18:30].
*   **Ошибочные линии химиотерапии.** Анализ биопсий пациента, не ответившего на два курса лечения, показал динамику клональной эволюции опухоли [18:56]. Выяснилось, что предыдущие три линии высокотоксичной химиотерапии были биологически неэффективны против доминирующего клона [19:23]. ИИ скорректировал схему, подобрав таргетную комбинацию под реальный геномный ландшафт [20:04].

Отвечая на вопросы из зала о безопасности персональных протоколов (исследования формата N-of-1), Гонсалес пояснил: в первую очередь алгоритмы ищут утвержденные FDA препараты с известным профилем токсичности, перепрофилируя их (drug repurposing) [28:24], [28:50]. Финальное клиническое решение всегда остается за лечащим онкологом, для которого ИИ готовит прозрачную доказательную базу [25:36].

Касаясь использования органоидов (выращенных из биопсии опухолевых 3D-культур для тестирования лекарств), Гонсалес отметил, что технология перспективна, но упирается в логистику больниц: образцы тканей в клиниках стандартно консервируют в формалине, что убивает живые клетки и делает невозможным создание органоида [23:48], [24:02].

## 🔬 Юсуф Рухани: виртуальные клетки и автоматизированные исследования
[[JUMP:29:50]]

Юсуф Рухани защитил PhD в Стэнфорде, основал ML-команду в Arc Institute, а сейчас занимает пост Head of Science в ИИ-лаборатории Intelligi (Intos AI) [06:54], [40:14]. Его фокус — преодоление разрыва между знанием молекулярной структуры и пониманием системной физиологии клетки [31:50].

### Почему проваливаются клинические испытания
[[JUMP:31:50]]

По словам Рухани, генеративный дизайн совершил революцию на молекулярном уровне: благодаря AlphaFold и ESM проектировать белки и находить лиганды к известным мишеням стало относительно просто [31:10], [33:49]. Однако ключевая причина провала 90% кандидатов в лекарства на II и III фазах клинических испытаний — отсутствие клинической эффективности [33:22].

Ученые плохо предсказывают, как отключение или активация отдельного гена повлияет на целостный фенотип человека [33:35]. Клетка — это стохастическая, динамическая система взаимодействующих биомолекул [32:29]. Цель концепции «виртуальной клетки» (Virtual Cell) — создать вычислительную модель, способную точно симулировать клеточные состояния и переходы от патологии к здоровью при различных терапевтических вмешательствах [32:03], [33:09].

### Опыт Universal Cell Embedding и ловушка публичных датасетов
[[JUMP:34:01]]

В недавней статье в *Nature* команда Рухани представила модель Universal Cell Embedding (UCE) [34:14]. Авторы представили клетку как матрицу экспрессии генов: строки — отдельные клетки, столбцы — гены, значения — количество транскриптов РНК [34:28]. Применив архитектуру маскированного языкового моделирования (по аналогии с BERT/GPT), авторы маскировали часть генов и обучали трансформер предсказывать их уровни [34:40].

На выборке из 35 миллионов клеток модель выучила глобальное низкоразмерное латентное пространство (Waddington landscape), где клетки естественным образом кластеризовались по типам и дифференцировкам без явной разметки [35:08], [35:48], [36:28].

Следующим шагом стала попытка масштабировать обучение по аналогии с датасетом Common Crawl в LLM [36:41]. В начале 2025 года исследователи запустили автономных ИИ-агентов, которые за месяц спарсили и переработали весь репозиторий сырых транскриптомных данных Национальных институтов здоровья США (NIH), увеличив обучающий датасет с 36 млн до 500 млн клеток [37:09], [37:22].

Однако результат вскрыл фундаментальную проблему биомедицинских баз данных:

*   Подавляющее большинство публичных транскриптомов приходится на иммунные клетки крови, среди которых с огромным отрывом лидируют T-лимфоциты [37:34], [37:48].
*   Остальные ткани и типы клеток представлены крайне скудно [37:48].
*   Простое масштабирование сбора открытых данных дает ложное насыщение объемами без прироста биологического разнообразия [38:01].

### Система Locus: перенос методов RL из ИИ-исследований в биологию
[[JUMP:38:29]]

Рухани утверждает: линейная парадигма «сначала собрать весь интернет данных, потом обучить модель» в биологии не работает [38:29]. Вместо этого необходим циклический подход: LLM-модели уровня Claude формулируют гипотезы и направляют эксперименты в мокрых лабораториях, максимизируя информационную ценность новых образцов [38:43], [43:32].

В компании Intelligi для этого адаптировали платформу Locus — автономную систему проведения ML-исследований, которая ранее заняла первую строчку в бенчмарке Post-Training Bench (оценивающем способность моделей автоматически дообучать сами себя) [40:14], [40:28].

Архитектурно Locus использует большие языковые модели со специальной обвязкой (harness engineering), нацеленной на стратегическое планирование гипотез, бюджетирование экспериментов и устойчивость к шумным оценкам [40:53], [42:53], [49:06]. Применив Locus к задаче молекулярного докинга и дизайна лигандов, команда показала, что система, оптимизированная под автоматический post-training, превосходит стандартных кодинг-агентов Anthropic и OpenAI в условиях ограниченных вычислительных мощностей GPU (H100) [41:45], [42:12], [47:41].

Рухани подытожил свое выступление цитатой из вводной главы ведущего учебника по клеточной биологии: человечество сегодня лучше понимает устройство далекого космоса, чем принципы работы живой клетки, и не способно предсказать поведение организма при мутации ранее не изученного гена [44:12].

## 🧬 Гарик Брикси: чему языковая модель учится на 9 триллионах пар оснований ДНК
[[JUMP:51:47]]

Гарик Брикси — аспирант Стэнфордского университета из лаборатории Брайана Хайя (Hazy Research), технический соруководитель разработки фундаментальной геномной модели Evo 2 и проекта Minerva [07:06], [51:47].

### Парадоксы ДНК как языка
[[JUMP:51:47]]

Хотя ДНК кодирует синтез РНК и белков, формирующих фенотип под давлением естественного отбора, ее фундаментальные свойства радикально отличаются от человеческого языка [52:12], [52:25]:

*   Алфавит состоит всего из четырех символов (A, C, G, T) [53:18].
*   Эволюция протекает фрактально на множестве масштабов одновременно: мобильные генетические элементы и вирусы-паразиты тысячелетиями дублируют себя внутри генома хозяина [53:18].
*   Огромная часть последовательностей представляет собой высокодеградированные повторы [53:32].
*   Точечная замена всего одного нуклеотида внутри гена длиной в сотни тысяч пар оснований может оказаться летальной для организма [53:47].

За последние три года база геномов NCBI удвоилась, однако до последнего времени у биологов не было инструмента, способного целиком проглотить и осмыслить этот массив [52:51].

### Обучение Evo 2: отбор данных решает все
[[JUMP:53:59]]

Модель Evo 2 обучалась простой задаче предсказания следующего токена-нуклеотида (next-token prediction) [53:59]. Разработчики использовали гибридную архитектуру трансформера (механизмы внимания и свертки), обучив плотные (dense) версии на 7 млрд и 40 млрд параметров с контекстным окном до 1 миллиона пар оснований [54:13], [55:22], [55:37].

Ключевым фактором успеха стал агрессивный препроцессинг данных [54:26]:

*   Из публичных репозиториев брали лишь одного представителя на каждый биологический вид, отсекая близкородственные дубликаты [54:26].
*   Обучающий датасет сократили до 9 триллионов пар оснований [54:40].
*   Было применено аннотационно-центричное взвешивание: участкам генома, содержащим эволюционно консервативные функциональные гены и РНК, придавался наибольший вес, а триллионы токенов мусорных повторов отбрасывались [54:54], [55:08].

Брикси привел показатель: случайное разбавление обучающей выборки некодирующими повторами снижает корреляцию Спирмена на тесте патогенности мутаций гена BRCA1 (маркер рака молочной железы) на 0,16 пункта, отбрасывая модель из мировых лидеров в аутсайдеры [57:37], [58:18]. Без тонкого отбора данных модель не может уловить регуляторные связи [58:30].

При этом Evo 2, обучавшаяся на всем разнообразии жизни и видевшая человеческий геном лишь один раз в составе общей базы, в прогнозировании вредоносности мутаций в кодирующих и некодирующих регионах сравнялась или превзошла специализированные supervised-модели, натренированные исключительно на человеческих мутациях [57:51].

### Механистическая интерпретируемость и модель Minerva
[[JUMP:58:57]]

Чтобы понять, что именно репрезентируют скрытые слои Evo 2, авторы натренировали разреженные автоэнкодеры (Sparse Autoencoders, SAE) [58:57]. Выяснилось, что отдельные нейроны и фичи активируются на концептуальные биологические сущности. 

Например, одна из фичей реагировала на профаги (встроившиеся вирусы бактерий) в геноме *E. coli* [59:10]. При детальном изучении локусов, где срабатывал этот нейрон, ученые обнаружили ранее не аннотированные вирусные фрагменты, кассеты CRISPR-иммунитета и бактериальные гены фагового происхождения [59:36]. Модель самостоятельно связала эти функциональные элементы в единый кластер понятий исключительно по тексту ДНК [60:02].

Генеративные возможности Evo 2 позволили спроектировать полностью функциональный капсид бактериофага семейства Microviridae (phiX-подобный вирус), структура которого затем была подтверждена методом рентгеноструктурного анализа [1:00:43], [1:00:55].

В развитие линейки команда создала двунаправленную модель Minerva [1:01:38], [1:02:02]. Она решает проблему учета коэволюции удаленных участков ДНК, предсказывая спаривание оснований и пространственные контакты [1:02:02], [1:02:16]. С помощью Minerva исследователи открыли сотни новых некодирующих РНК в бактериальных геномах, включая новую CRISPR-подобную обратную транскриптазу UG27, работающую в цикле ДНК-РНК-ДНК [1:02:28], [1:02:42].

## 🧪 Дивья Нори: Few-Shot промптинг и in-context learning в геномике
[[JUMP:1:09:57]]

Дивья Нори — исследовательница из Стэнфорда и лаборатории Hazy Research, ранее занимавшаяся структурными белковыми методами в MIT [07:19], [1:10:12]. Она представила новый подход к генерации биологических молекул с помощью Few-Shot промптинга [1:10:00].

### Смена парадигмы: от файнтюнинга к промптингу
[[JUMP:1:10:25]]

До сих пор для создания биологических последовательностей требовался масштабный файн-тюнинг под конкретную задачу [1:11:18]:

*   Evo 1 дообучали на десятках тысяч CRISPR-Cas локусов для генерации систем Cas9 [1:11:33].
*   Evo 2 файнтюнили на тысячах вирусных геномов для синтеза капсидов [1:11:48].

Нори отметила фундаментальное препятствие: для подавляющего большинства прикладных задач биотехнологии у биологов нет тысяч размеченных примеров [1:12:02]. Зачастую ученым доступно лишь несколько десятков или единиц работающих природных молекул [1:12:15].

В процессе экспериментов с предобученной моделью Evo 2 авторы обнаружили эмерджентное свойство: способность к обучению в контексте (In-Context Learning, ICL) [1:11:05], [1:12:27]. Модель способна вычленить скрытые закономерности из 4–64 примеров, поданных прямо в контекстное окно, и сгенерировать новую функциональную последовательность без обновления весов [04:51], [1:10:37], [1:13:07].

По словам Нори, это первый случай убедительной фиксации ICL в геномных моделях исключительно за счет предобучения на нуклеотидах [1:12:40]. Предположительно, эффект возникает из-за тяжелых хвостов распределения природных данных (power-law distribution), где редкие мотивы встречаются в строго определенных эволюционных контекстах, а внутри трансформера формируются так называемые индукционные головы (induction heads) [1:18:57], [1:19:37].

### Примеры проектирования: от редкоземельных металлов до клеток мозга
[[JUMP:1:13:20]]

Дивья Нори привела примеры успешного проектирования систем размером от 100 до 100 000 нуклеотидов с помощью few-shot промптинга:

*   **Лантан-модулины (lanmodulin).** Семейство белков, избирательно связывающих редкоземельные элементы, востребованные в добывающей промышленности и электронике [1:13:20]. В природе описано всего 14 примеров таких белков [1:13:33]. Подав все 14 последовательностей в промпт Evo 2, авторы сгенерировали новые варианты лантан-модулинов, сохранивших ключевые физико-химические свойства [1:13:47].
*   **Антитела.** Подача в контекст кандидатов из структурных генераторов позволила Evo 2 создавать новые связывающие варианты антител для всех протестированных терапевтических мишеней без предварительной структурной адаптации [1:14:00].
*   **Системы CRISPR-Cas.** Передав в контекст всего 4 примера локусов, исследователи получили валидные синтетические системы, содержащие белок Cas9, матрицу спейсеров и tracrRNA [1:14:15].
*   **Тканеспецифичные энхансеры.** Энхансеры — участки некодирующей ДНК, запускающие экспрессию генов строго в заданных типах клеток, что критично для таргетированной доставки генной терапии [1:14:42]. 

Для оптимизации энхансеров исследователи применили post-training с использованием алгоритма Group Relative Policy Optimization (GRPO) [1:15:24], [1:17:53]. В качестве функции награды выступала модель AlphaGenome, предсказывающая тканевую активность по ДНК [1:18:06]. Дополнительные штрафы накладывались за сдвиг GC-состава и падение энтропии последовательности для предотвращения взлома функции награды (reward hacking) [1:18:20].

Спроектированный с помощью few-shot промптинга энхансер был синтезирован и протестирован соавтором работы Алексом *in vivo* в мозге живой мыши [1:15:39], [1:15:51]. Флуоресцентная микроскопия срезов подтвердила: сгенерированная регуляторная ДНК избирательно активировалась исключительно в целевых нейронах головного мозга [1:15:51].

В заключение Нори подчеркнула, что переход биологического дизайна к промптингу и замкнутым циклам активного обучения (in-the-loop experimentation) делает разработку лекарств похожей на классический софтверный цикл, где вместо многолетних слепых скринингов исследователи итеративно уточняют контекст и параметры генерации [1:16:17], [1:16:44].