Главная проблема современного ИИ в биологии — не дефицит данных, а их структурная анархия. Пока универсальные LLM упражняются в человеческом синтаксисе, биологический интеллект задыхается в «зоопарке» форматов: от строк SMILES для молекул до геномных последовательностей и протеомных репозиториев. Как отмечают исследователи из Trillion Labs и KAIST (Хонджун Ан, Сонджун Хан и Санвон Джунг), текущие ресурсы — это разрозненные острова данных, непригодные для связного обучения. Чтобы ликвидировать этот разрыв, команда представила THEBIOCOLLECTION — корпус для предварительного обучения на 52,6 млрд токенов, который превращает этот хаос в единый поток, готовый к работе. Отрасль наконец-то делает шаг от узкоспециализированных «предсказателей» к моделям, способным рассуждать в масштабе целых биологических систем.
От фрагментированных баз к единому корпусу для пре-трейнинга
Методология THEBIOCOLLECTION — это не просто агрегация публичных датасетов и научных статей, а их жесткая фильтрация и структурирование. Команда сфокусировалась на дедупликации, тегировании сущностей и их аугментации, чтобы превратить «сырые» данные в осмысленные тексты. Процесс охватывает малые молекулы, белки, геномы, клетки и биологические пути. Консолидация этих ресурсов позволяет модели понимать не просто изолированные объекты, но и их взаимодействия. Это и есть критический переход от статуса «научного чат-бота» к функциональному инструменту R&D. Исследователи обогатили каждую запись биологическими свойствами, вычисленными программно, обеспечив модели физико-химическую базу, которой критически не хватает «чистому» тексту.
«Существующие биологические ресурсы... разбросаны по гетерогенным форматам и остаются неорганизованными в связный корпус», — подчеркивается в отчете, указывая на фундаментальный барьер для биологического ИИ.
Экономика разработки лекарств на стероидах данных
Для руководителей фарм-бизнеса ценность THEBIOCOLLECTION измеряется не в красоте архитектуры, а в эффективности. В ходе исследования команда зафиксировала базу Gravity-16B-A3B и обнаружила: обучение на THEBIOCOLLECTION более чем вдвое увеличило общий балл модели в тестах на распознавание и генерацию (бенчмарк THEBIOCOLLECTION-EVAL). Прирост наблюдался в каждой области — молекулярной, белковой и геномной — при сохранении общих лингвистических способностей. По сути, корпус внедряет в модель навыки, которые в традиционных датасетах представлены на уровне статистической погрешности.
Обучение на THEBIOCOLLECTION более чем вдвое увеличило показатели модели по всем биологическим доменам, не повредив при этом общему пониманию языка.
Это доказывает, что путь к снижению затрат на R&D лежит не через наращивание параметров, а через качественную курацию данных, отражающих реальность «мокрой лаборатории». Возможность анализировать интерфейсы белок-лиганд через интерфейс LLM способна сократить фазу поиска новых соединений на месяцы.
Выход THEBIOCOLLECTION меняет баланс сил, давая специализированным лабораториям открытый стандарт, способный конкурировать с закрытыми данными бигтеха. Однако тотальное доверие к программно вычисленным свойствам (enrichment) несет риски: ошибки вычислительных инструментов могут прорасти в логику самой модели. Для CTO приоритет смещается с поиска дефицитных вычислительных мощностей на обеспечение унифицированных потоков данных, способных «приземлить» ИИ в физическую реальность молекулярной биологии. В этой гонке победит не тот, у кого больше видеокарт, а тот, кто лучше структурирует накопленный человечеством хаос знаний.