Президиум РАН подготовил доклад о состоянии дел в науке, в нем приведен список из 38 организаций с наибольшим количеством выполняемых проектов РНФ в 2025 году. Большинство из них ВУЗы (первое место - МГУ, второе - СПбГУ, третье - МФТИ и так далее), что понятно - в зачет идут гранты по всем наукам.

Из НИИ нашего профиля в список попали:

1. Институт биоорганической химии им. академиков М.М. Шемякина и Ю.А. Овчинникова РАН - 17 место
2. ФИЦ Биотехнологии РАН - 20 место
3. ИЦиГ СО РАН - 28 место
4. ИМБ имени им. В.А. Энгельгардта РАН - 30 место
5. Институт цитологии РАН - 31 место

НГУ (по всем наукам) занял 21 место, из институтов Сибирского отделения выше ИЦиГ только ИНХ СО РАН, который занял 23 место, так же в список попал Институт катализа - 32 место и Красноярский научный центр - 36 место.

Безусловно, количество грантов не равно объему средств - у нас, например, много небольших проектов. Тем не менее, эта статистика отражает качество науки.

* по информации из рассыки ИЦиГ СО РАН. Для интересующихся - приложил документы в комментарии.

Сегодня я веду заседание кафедры цитологии и генетики НГУ, в рамках которого провожу эксперимент - прошу ChatGPT на основе материалов доклада задать каждому студенту вопрос. Я не требую от студентов ответ на этот вопрос - озвучиваю его для самостоятельного обдумывания и подготовки. Ответы требую только на вопросы кожаных членов кафедры.

Статистика: в 3х случаях из 10 вопрос GPT в точности совпал с вопросом членов кафедры.

Кажется, пора вводить этот метод в официальную практику.

Сегодня пытаемся получить культуру клеток из ланцетника. Кстати, вы знали, что они светятся в ультрафиолете?

Прекрасные читательницы данного блога, дерзайте!

Департамент международного сотрудничества Минобрнауки России (далее – Департамент) информирует об открытии конкурса
на соискание Международной премии в рамках программы ЮНЕСКО-Л’ОРЕАЛЬ «Для женщин в науке» за 2027 год (далее – Премия).
В 2027 году награды будут вручены выдающимся научным исследователям в области физики, математики,
компьютерных и информационных наук, химии, а также наук о Земле и окружающей среде. 

По итогам конкурса будут определены пять победительниц, каждая из которых получит премию в размере 100 тыс. евро.

Номинационные досье кандидатов должны быть представлены на рассмотрение в электронном виде
на английском языке не позднее 30 июня 2026 г. (http://www.forwomeninscience.com/challenge/show/158).

Более подробная информация об условиях участия, процедуре подачи заявки и требованиях к кандидатам представлена в приложении и на сайте Премии.

В случае заинтересованности просим разместить заявку на официальном сайте Премии, а также
направить в адрес Департамента, в том числе на адрес электронной почты WomeninScience@minobrnauki.gov.ru, информацию об участниках в срок до 25 июня 2026 г

Я рассказывал о наших моделях для поиска генов и предсказания экспрессии.

Недавно выложили апдейт - теперь когда вы закидываете последовательность ДНК и описание эксперимента, модель сначала сама ищет где расположены гены, а потом для каждого гена предсказывает экспрессию. Можно пробовать тут.

Я не пишу про каждое обновление вебсервиса на этом канале, поскольку аудитория тут разная, так что если вам интересны все новости - подписывайтесь на рассылку в этой форме.

А в ближайше время я тут выложу ещё большой апдейт по нишим моделям и пайплайнам для геномной аннотации - stay tunned!

Коллеги приглашают студентов из Новосибирска и окрестных городов принять участие в качестве преподавателей в летней школе по биологии. Школу эту я хорошо знаю и слышал о ней много позитивных отзывов, так что мне кажется это очень правильный способ немного подработать на летних каникулах.

Добрый день! Приглашаем педагогов летом 2026 года провести очные практикумы/мастер-классы/лекции для обучающихся 14-17 лет в рамках проекта «ТехноЛето: прокачай навыки для НТО» (июнь–август).

Проект направлен на подготовку обучающихся к следующему сезону Национальной технологической олимпиаде для того, чтобы погрузить ребят в навыки, которые им необходимо будет знать для участия в НТО.

Важно! Все практикумы/мастер-класс/лекции от 2-4 часов, в очном формате, необходимо, чтоб подходили под задачи второго этапа НТО и междисциплинарность

Примеры тем: https://disk.yandex.ru/i/0wUtWWrRMCdgwQ
Запись времени практикума: https://disk.yandex.ru/i/ty6Wvc8zP2m5VA

Площадка проведения: РЦ «Альтаир», г. Новосибирск, Академгородок, Технопарк, ул. Николаева 12.
По вопросам: Татьяна Владимировна, старший методист РЦ «Альтаир», 8-996-377-00-23

Важное обновление для тех, кто работает с аннотацией генов и геномов!

Мы подготовили целый пакет инструментов:

- бенчмарк актуальных инструментов (обновляется в реальном времени) для ab initio аннотации
- отдельный бенчмарк для сегментации генов (разметки экзон-интронной структуры)
- пайплайн для анноатции генома на основе наших собственных моделей (топ согласно бенчмарку)
- вебсервис, на котром можно посмотреть демо: наш и от наших коллег из GI
- наши модели теперь доступны на Hugginface

Разработчики - @the_alexeys и @temchelloo
Отдельное спасибо за тестирование @YaraYaraCh, @All096, @vitdrav

Есть ли у кого-то контакты коллег из Eliava Institute (https://eliava-institute.org/en/structure) в Тбилиси? Мои колабораторы в США хотят с ними законектиться, но не могут найти актуальные контакты для связи.

Познакомился на прошлой неделе с Manuel Corpas из University of Westminster

Он разрабатывает ClawBio - репозиторий биологических агентов для LLM. Если сильно упростить, это просто набор текстовых инструкций к онлайн сервисам, ссылку на которые можно дать GPT - тогда модель сможет обращаться к этим сервисам при решении биологических задач.

Поскольку коллеги из GI сделали API к нашей моделе для предсказания экспрессии, решил добавить этот API как инструкцию к ClawBio и протестировать. В общем сделал так: запустил Codex от ChatGPT и попросил (просто текстом, без кода) предсказать экспрессию для парочки промоторов в кроветворных и печеночных клетках. Работает! GPT понимает, что сам такое сделать не сможет, но у него есть инструкция как запустить стороннюю модель - он дергает за нее, получает предсказание и обсуждает со мной.

Ок. Дальше попросил GPT сделать мутагенез последовательности промтора гемоглобина - написал такой промпт:

Now I want you to modify this sequence to optimize expression in HepG2.
 
Do this greedy:
- introduce a random mutation
- benchmark it with the GI expression model
- if it increases expression in HepG2, keep it
- otherwise discard it
 
Your aim is maximum HepG2 expression.
 
Report the best sequence and number of mutations it has compared to the reference sequence.

GPT сам написал мне скриптик для этой задачи, который обращается к нашей модели экспрессии, и за 50+ мутаций сделал из промотора гемоглобина что-то, активное (по крайней мере модель так считает) в гепатоцитах!

В общем пока что сами биомодели остаются бутылочным горлышком - например, у них у всех (включая наши) не очень хорошо с клеточной специфичностью предсказаний. Но модели постепенно совершенствуются - а инфраструктура для них уже есть.

П.С. Полная версия поста про мои упражнения с ClawBio

В данном ТГ-канале я уже отмечал, что изучение с помощью нейросетевых подходов текстов на «языке ДНК», т.е. последовательностей нуклеотидов в ДНК – очень перспективное новое направление, где можно ожидать реальных научных прорывов. И приводил в качестве примера ИИ-модель Evo 2, которая была разработана учеными расположенного в Калифорнии Arc Institute:
 
https://t.me/khokhlovAR/1206
 
Эта модель была обучена на последовательностях ДНК более чем 100 тысяч видов живых организмов по всему древу жизни – от одноклеточных организмов до человека.
 
В частности, я тогда отмечал, что «большие языковые модели обучаются на совокупности произведенных человечеством текстов, подавляющая часть которых не отличается особой мудростью. А последовательности нуклеотидов в ДНК были отобраны в ходе миллиардов лет эволюции, эти тексты будут явно поумнее, и обучение на них должно (по идее) приводить к намного более интересным результатам.»
 
И вот совсем недавно я получил сообщение от доктора биологических наук В.С.Фишмана,  руководителя лабораторий Института цитологии и генетики СО РАН и Университета Сириус, а также группы геномики основанного Сбером Института искусственного интеллекта (AIRI). Он сообщил, что в России тоже активно ведутся исследования по анализу текстов на «языке ДНК». В прошлом году в Nucleic Acids Research была опубликована разработанная этой группой модель GENA-LM:
 
https://academic.oup.com/nar/article/53/2/gkae1310/7954523
 
Об этой модели на русском языке и на очень популярном уровне можно прочитать здесь:
 
 https://www.kommersant.ru/doc/7550813
 
Я попросил Вениамина Семеновича коротко сформулировать основные отличия этой модели от EVO 2. Вот его ответ: «GENA-LM и Evo-2 - две параллельные линии развития моделей для ДНК. Обе учатся на больших массивах геномных последовательностей и затем могут использоваться для широкого круга биологических задач. Технологически обе модели рассчитаны на анализ длинных последовательностей, но используют для этого разные подходы. Кроме того, Evo-2 - генеративная модель, т.е. предназначена для генерации последовательностей (и в этом смысле она ближе к ChatGPT), с акцентом на анализ геномов бактерий и фагов. GENA-LM — модель, архитектура которой в первую очередь предназначена для извлечения информации из последовательностей ДНК, а не генерации новых последовательности; она больше применялась для задач регуляторной геномики человека и животных: поиска генов, предсказания активности регуляторных элементов и интерпретации вариантов.»
 
Очень хорошо, что это направление развивается в ведущих российских научных организациях с привлечением компетенций как в области геномики, так и инструментов ИИ. Причем это делается на высоком научном уровне (Nucleic Acids Research – один из топовых журналов). Еще лучше, что В.С.Фишман активно пользуется возможностями telegram. Он ведет ТГ-канал; там он сообщает о новых успехах, предлагает сотрудничество с потенциальными пользователями  - см, например, недавние посты:
 
https://t.me/fishmanvs/882
 
https://t.me/fishmanvs/870

Я много занимаюсь 3D-геномикой и, как и в других разделах геномики, в этой области очень большая часть анализа делается не только статистическими/ML/биоинформатическими методами, но ещё и при "ручном" отсмотре данных в программе-визуализаторе (IGV, UCSC и т.п.). Для 3D-данных есть два стандартных инструмента – Juicer/Juicebox и CoolTools/Cooler. Недавно мне написала команда из ITMO, которая разрабатывает альтернативу - по словам авторов, в разы быстрее и исправляет некоторые недочёты этих инструментов.

С удовольствием распространяю ссылку на их софт: https://github.com/ctlab/HiCT_JVM/releases

Фидбек можно писать напрямую автору: @ntwwwnt

Вот описание от авторов:

Базово – это быстрый просмотрщик карт контактов: можно интерактивно перемещаться по Hi-C карте, менять масштаб, смотреть большие сборки, работать с разными разрешениями и дополнительными слоями данных. Особенно интересно, что по FASTA можно построить дотплот и визуализировать дотплот поверх Hi-C данных или открыть выше диагонали одну карту, а ниже диагонали – вторую. К тому же, это не просто read-only визуализатор, в HiCT доступны операции ручного скаффолдинга: можно и работать с самой сборкой – поменять порядок и ориентацию контигов. Дополнительно есть ещё очень много настроек визуализации, сложно, но функционально.
Используется свой формат данных, за счёт чего и достигается высокая скорость работы, но на вход можно подать и привычные для этой области .hic или Cooler.

Продолжаю серию постов о том, как использовать агентов (Codex) с биоскилами (ClawBio) и наши модели для предсказания экспрессии генов, чтобы решать разные биомедицинские задачи.

Вот тут мы показываем, как можно предсказывать in silico последствия делеции в промоторе.

Кстати, помимо наших моделей очень рекомендую для этой цели PromoterAI от Illumina

П.С. в комментариях пишут, что PromoterAI не очень хорошо справляется со сложными кейсами. Так что не рекомендую. Не факт, правда, что наши модели лучше, в прямую не сравнивали ))

В твиттере развернулась интересная дискуссия вокруг этой статьи

Вкратце, статья показывает, что с увеличением размера и сложности модели, а также при увеличении количества данных для обучения, качество решения задач single-cell транскриптомики практически не меняется. И довольно большие модели работают не намного лучше простых методов вроде метода главных компонент.

Этот результат вызывал много критики по отношению к создателям больших моделей от корифеев области - Sasha Gusev, Anshul Kundaje и других. Очевидно, что нам нужны новые архитектуры, режимы тренировки и, возможно, данные (хотя лично я считаю, что данных достаточно).

Но я уверен, что решать задачи геномики при помощи AI возможно - и тот, кто придумает это решение, совершит огромные прорыв. Цитирую пост Anshul Kundaje

On the other hand, if u provide a model that consistently delivers what it promises, everyone will keep their mouths shut & happily use it. Quite easy to make the case. The model should be able to speak for itself.

И ещё из интересных новостей - хочу подсветить вот эту заметку в Nature о генной терапии, в которой проводят "омолаживание" клеток вирусами, несущими факторы Яманаки. Это такие транскрипционные факторы, возвращающие взрослые клетки в эмбриональное состояние.

Звучит немного фантастически, и к результатам дейтвительно нужно относиться с осторожностью - ряд работ, в том числе нашей группы, неоднократно показывал онкогенный потенциал этих факторов. Но данные авторов довольно обнадеживающие - "омоложение" клеток ретинального ганглия глаза у мыши в позднем возрасте позволяет запустить процесс регенерации глаза и излечивает от глаукомы.

Недавно эта технология добралась до клинических испытаний. Факторы Яманаки введут 12 пациентам, чтобы проверить безопасность такой терапии

Я много рассказываю на этом канале о языковых моделях ДНК. Это направление вызывает большой интерес в академических исследованиях, однако широкое практическое применение в реальном секторе экономики эти модели пока не получили (см. также пост о первых попытках коммерциализации) .

Сегодня стало известно, что авторы статьи Evo2 получили 50 млн долларов венчурных инвестиций на создание коммерческой компании, в основе которой лежит их усовершенствованная модель Omnii:

https://www.radicalnumerics.ai/blog/radical-numerics-seed

Для сравнения - это примерно 2 годовых бюджета большого академического института РФ, в котором работает несколько сотен научных сотрудников.