Исследователи из Северо-Восточного университета США, Broad Institute и других организаций представили MolRSI — ИИ-агента, который перестраивает вычислительную схему поиска молекул, используя опыт прежних задач. В препринте от 29 октября команда сообщает: из 107 отобранных соединений 17 подавляли рост золотистого стафилококка при заданном пороге концентрации. Это 15,9% против 8,7% в её прежнем исследовании с процедурой, разработанной специалистами.

Обычно исследователи сами выбирают сочетание моделей, способов обучения и правил отбора. MolRSI перебирает такие сочетания, проверяет их на выделенных данных и сохраняет удачные решения, неудачные изменения и способы исправления ошибок. Память 25 предыдущих задач помогала ему искать процедуры прогнозирования антибактериальной активности. Задачу, данные, критерии и вычислительный бюджет задавали люди; лабораторные испытания также проводили исследователи. Под «самоулучшением» здесь понимается изменение стратегии поиска на основе накопленного опыта.

Сравнение антибиотического отбора использовало те же обучающие данные и библиотеку соединений. В прежней работе сработал 21 кандидат из 241, в новой — 17 из 107: выросла доля попаданий, а не их абсолютное число. Однако это разные эксперименты, а не одновременное испытание по полностью одинаковому протоколу. Проверку статистической значимости разницы авторы не приводят. Отдельно на общем наборе из 271 соединения новый предсказатель лучше различал активные и неактивные молекулы.

Во второй задаче MolRSI проектировал белки, связывающиеся с заданными комплексами пептида и MHC — молекулами, представляющими фрагменты белков иммунной системе. Лабораторный отбор дал восемь конструкций с предпочтением нужной мишени перед проверенными посторонними; у сравниваемой процедуры Claude Science таких попаданий не было. Без разработанного MolRSI ранжирования кандидатов результат тоже оказался нулевым. Это отдельное сравнение, не опровержение прежних успешных опытов Claude с другими мишенями.

Работа показывает, зачем поручать агенту выбор исследовательской процедуры: качество отбора можно проверять последующими опытами с молекулами. Пока это препринт и лабораторные результаты авторов, а не подтверждённая независимым воспроизведением технология или готовые лекарства. Непрерывного обучения на новых лабораторных успехах и неудачах в работе ещё нет — такой цикл авторы называют следующим шагом.