Post #1248

Какие были AI проекты на Витализме. Всем домашнее задание: придумать не хуже: 1. AI for Logical Ingestion and Guidance of New submissions. Ускорение процесса одобрения лекарств в FDA с помощью LLM, предварительно оценивающей документы, подаваемые в FDA. 2. Democratizing Bioengineering. Превращение лабораторных экспериментов в код. Ребята предложили организовать хакатон, чтобы разработать виртуальные версии биологических протоколов и создать API для удаленных экспериментов, чтобы каждый мог не отходя от дивана смоделировать и провести эксперимент. 3. HumanITP. Улучшение прогнозирования эффективности методов продления жизни у людей, опираясь на данные из моделей in vitro, in vivo и испытаний на мышах. Предполагается создать эталонный набор данных, включающий OMICS и функциональные маркеры, чтобы с его помощью улучшать предсказательные модели. 4. Bullseye. Решение проблемы доставки клеточных и генных терапий в мозг с помощью GPT-4B. 5. PaperRank. Оценка научных статей и наборов данных для улучшения поиска новых терапевтических целей. LLM для выявления признаков недостоверных данных, оценки потенциального научного влияния и базовой проверки качества. 6. Rewarming Foundation. Создание инвестиционной инфраструктуры для финансирования лечения болезней, от которых умерли криоконсервированные люди. 7. Создание новой системы научной репутации, в которой AI-агенты оценивают научные статьи по степени их полезности для генерации новых гипотез и исследований. Вместо традиционного индекса цитируемости предлагается метрика, отражающая, насколько часто статьи используются ИИ-моделями. 8. Intrabody. Создание биомаркеров, позволяющих определять возраст клеток напрямую с помощью флуоресцентных белков. В перспективе создать универсальный AI-инструмент для генерации белков-биндеров под любые лабораторные задачи. 9. Проект предлагает использовать Т-клетки как транспорт для доставки гена омоложения в ткани организма, поскольку иммунные клетки естественным образом мигрируют в зоны старения. Идея в том, чтобы заставить Т-клетки производить и передавать омолаживающие молекулы в нужные участки тела. 10. Beating the traffic. Направлен на решение внутриклеточной проблемы доставки, а именно — как доставить генетический материал в ядро клетки после его проникновения внутрь. Команда планирует использовать GPT-4B для разработки специального белка, который поможет вирусным вектором преодолевать барьеры внутри клетки, такие как эндосомы и цитоскелет. 11. Gapmap for Aging. Выявление важных научных вопросов в области старения, которые до сих пор не получили ответов в литературе. LLM извлекает такие вопросы из обзоров и статей, проверяет наличие ответов в данных о оценивает потенциальное влияние каждого из них. 12. Resolvio. Создание сервиса, который анализирует научную литературу, извлекая из неё утверждения, группируя их, выявляя противоречия и ранжируя по степени важности и разрешённости. AI также предлагает эксперименты, которые могли бы устранить эти противоречия. 13. Approvable.ai. Ускорение работы регуляторов, в частности сотрудников FDA, путем создания AI-инструмента, который будет помогать им обрабатывать большие объёмы заявок на одобрение лекарств. 14. BioParse. Извлечение скрытых и неструктурированных научных данных из статей, чтобы использовать их для обучения более точных генеративных моделей. С помощью AI-агента, команда собирается обрабатывать графики, сноски и таблицы, нормализуя и структурируя данные, которые обычно теряются из-за хаотичного формата. 15. Data Quality Certification. Повышение качества биомедицинских данных, используемых для обучения AI-моделей. Команда предлагает разработать стандартизированную шкалу для оценки качества загружаемых наборов данных, учитывая такие параметры, как тип выборки, рандомизация и методы измерений. 16. Fake it till the UK makes it. Генерация синтетических данных, дополняющих ограниченные функциональные измерения в UK Biobank. Цель — создать полноценный датасет, который позволит находить суррогатные биомаркеры старения и разрабатывать предсказательные модели здоровья.