Биомедицинский R&D захлебывается в данных, которые невозможно переварить вручную. Мы привыкли, что нейросети умеют бойко пересказывать тексты, но в фарминдустрии цена «галлюцинации» — миллионы выброшенных на ветер долларов и годы тупиковых исследований. Обычные языковые модели проваливаются там, где требуется длинная цепочка логических рассуждений без фантазий. Группа исследователей под руководством Цзифэна Ванга и Чжэна Чэня представила в Nature Machine Intelligence фреймворк DeepEvidence, который переводит работу с данными из области вероятностного угадывания в плоскость жесткой верификации.
Multi-Agent Collaboration and Evidence Graphs
Технологическое ядро системы, описанное в отчете от 2 июля 2026 года, строится на многоагентном взаимодействии. В отличие от стандартных LLM, которые пытаются выдать ответ «в один присест», DeepEvidence комбинирует стратегии поиска в ширину и глубину. Система не просто ищет информацию, а инкрементально выстраивает внутренний граф доказательств, связывая физические и биологические сущности в единую проверяемую структуру.
DeepEvidence продвигает глубокие исследования через скоординированное взаимодействие агентов, сочетая поиск вширь и вглубь для агрегации доказательств.
Такой подход обеспечивает прозрачную атрибуцию: каждое утверждение привязано к конкретному узлу графа. Сопоставляя связи между молекулами, мишенями и патологиями, агент валидирует свои шаги на соответствие биологическим фактам. По данным разработчиков, DeepEvidence существенно обошел универсальные модели на четырех открытых бенчмарках. Мы видим долгожданный переход к «детерминированному» ИИ: вместо того чтобы гадать, модель вынуждена доказывать свои выводы через проверяемый граф знаний.
Accelerating the Discovery Pipeline
Для бизнеса это означает радикальное ускорение самых дорогих этапов жизненного цикла препарата. Исследование охватило семь ключевых задач — от поиска мишеней до планирования клинических испытаний. DeepEvidence автоматизирует синтез гипотез, которые по определению готовы к формальной проверке, что сводит к минимуму человеческий фактор на этапе преклинических исследований.
DeepEvidence демонстрирует существенные улучшения в системном поиске доказательств, подчеркивая потенциал для ускорения биомедицинских открытий.
Речь идет не просто о скорости, а о надежности фундамента R&D. Сворачивание ручного синтеза литературы позволяет устранить главное «трение» в инновационном процессе. Однако важно понимать: магии не будет. Эффективность системы напрямую зависит от чистоты исходных данных и сложности масштабирования графов на редкие заболевания. Без участия экспертов в петле обратной связи система останется лишь продвинутой библиотекой.
Владение структурированными базами знаний становится более критическим активом, чем доступ к вычислительным мощностям или общим языковым моделям. Результаты группы Ванга доказывают, что агенты способны на сложные рассуждения в трансляционных исследованиях, но успех гарантирован только тем, кто инвестирует в качество данных и бесшовную интеграцию ИИ в экспертную среду. В конечном итоге выигрывает не тот, у кого «умнее» нейросеть, а тот, чей граф знаний точнее отражает биологическую реальность.