В последние годы искусственный интеллект в науке перешагнул рамки чистого эксперимента. Нейросети закрепились как постоянный рабочий инструмент. С их помощью можно находить релевантные статьи, систематизировать данные, моделировать эксперименты.
Наиболее действенным результат оказывается, если использовать нейросети для науки в связке, не ограничиваясь одним инструментом. Например:
Рассмотрим на практике, как работает этот нейросетевой «симбиоз» в агрегаторе GPTunneL.
Научный R&D действует почти всегда по одному и тому же алгоритму: поиск источников, их анализ, работа с информацией, подготовка статьи. Искусственный интеллект в науке и образовании помогает ускорить эти процессы, если, конечно, нейросетевые инструменты подобраны правильно.
Задача: обзор по эффективности CRISPR-редактирования генома в клетках млекопитающих: поиск → структура → текст → визуализация.
Промпт:
«Найди 10–15 актуальных публикаций (2020–2025) по теме: “Эффективность CRISPR-редактирования генома в клетках млекопитающих”. Для каждой статьи дай:
Ответ оформи в виде таблицы».
Perplexity предложил 12 современных публикаций. По каждому источнику нейросеть предоставила DOI/ссылку, лаконичное описание, общие результаты и ограничения. Данные сведены в удобную таблицу, которую можно загружать в другие модели.
Среди минусов – неосторожный подход нейросети. Отбирать действительно релевантные источники, по крайней мере в этом кейсе, пришлось бы вручную. Они есть, но список нужно очистить от информационного «шума». Оценить, как Perplexity справилась с промптом, можно здесь.
Промпт:
«Структурируй данные по статьям о CRISPR в формате:
Claude сгруппировал статьи по методам, клеточным моделям, результатам и ограничениям. Также ИИ выделил источники с повторяющейся информацией и пробелы в исследованиях. Например, Claude подчеркнул, что пока неясно, какими могут оказаться долгосрочные последствия при редактировании генома в клетках.
Важно помнить, что модель не проверила достоверность источников – она «поверила» тому, чем с ней «поделился» Perplexity. Пример работы нейросети в этом диалоге.
Промпт:
GPT-5.1 написал связный обзор, где разобрал методы, результаты, ограничения и перспективы. Модель умеет четко придерживаться заданной структуры, а также не перевирает предоставленные факты. Текст по стилю близок к небольшой статье в научном журнале.
Стоит, правда, отметить, что с объемом GPT-5.1 перестарался. Текст нужно сокращать вручную. Либо можно попросить ИИ сделать его более лаконичным. А прочитать нейрообзор можно, пройдя по ссылке.
Промпт:
«Построй тепловую карту:
Оцени каждый параметр качественной меткой».
Gemini сделал ровно то, что запрашивали. Он оценил методы по критериям точности, эффективности, безопасности и т. д. Каждую оценку модель сопроводила пояснением.
В итоге получилась удобная иллюстрация для слайда презентации или в статью. Однако есть нюанс: все оценки – это скорее комментарии, а не характеристики с числовыми показателями. А значит, далеко не каждое исследование сможет на них опереться. Чтобы оценить работу нейросети, заходите сюда.
Задача: из запроса сделать проверяемую гипотезу, дизайн исследования, критику и простую модель.
Промпт:
GPT-5.1 предлагает несколько гипотез, например связь бактерии Akkermansia с ответом на метформин. Также модель описывает когорту, точки измерений, биомаркеры и основные статистические критерии.
В результате получился рабочий черновик протокола. Однако важно знать, что дизайн оказался несколько перегруженным и без фактического расчета мощности. А это может стать угрозой при реальном клиническом исследовании. Ознакомиться с гипотезами вы можете тут.
Промпт:
«Проверь гипотезы на научную корректность.
Укажи:
Claude проанализировал каждый блок, указал конфаундеры (диета, антибиотики, ИПП, генетика), композиционность данных микробиома и необходимость расчета мощности и фазового дизайна. Предлагает более строгий протокол клинических исследований.
Ответ оказался очень подробным, но в дальнейшем информацию нужно структурировать и расставить предложения по приоритетности. Увидеть результат можно здесь.
Промпт:
«Найди исследования (с DOI) 2020–2025, подтверждающие или опровергающие предложенные гипотезы о влиянии микробиома на усвоение метформина. Дай краткие цитаты».
Mistral:
Тем не менее выборка довольно ограничена. А значит, ее нужно дополнять самостоятельно или при помощи других нейросетей. Результат в этом чате.
Промпт:
«Создай простую статистическую модель (линейная регрессия), связывающую состав микробиома и концентрацию метформина в крови. Опиши переменные и ограничения модели».
Gemini описал множественную регрессию с зависимой переменной «концентрация метформина» и предикторами по дозе, составу микробиома, SCFA, eGFR и питанию. Также модель отмечает ограничения.
Но следует отметить, что нейросеть предлагает информацию на уровне концепта – без кода и без учета композиционной природы микробиомных данных. Если хотите ознакомиться с результатами работы ИИ, добро пожаловать!
Задача: обработать глобальный температурный ряд, построить модели и аккуратно их проверить.
Промпт:
«Вот датасет Global Temperature Time Series.
Gemini действительно удаляет пропуски, выводит среднее значение по годам, выполняет стандартизацию (Z-score) и строит линейный тренд с 10-летним скользящим средним.
В итоге мы получили чистый код, который можно перенести в локальную систему. Однако Gemini не позволяет проверить автокорреляцию, стационарность. Также модель не обосновывает выбранное окно сглаживания. Оценить работу ИИ можно здесь.
Промпт:
«Проведи статистический анализ:
Сформируй научные выводы».
LlaMA построил линейную регрессию (значимый тренд), подобрал ARIMA (1,1,1), запустил Prophet и выделил выбросы по Z-score.
Однако не все данные оказались обоснованными. Пример можно увидеть тут.
Промпт:
«Проверь корректность анализа:
Claude указал на необходимость ADF-теста, анализа ACF/PACF, проверки структурных сдвигов, использования HAC-ошибок и тестов Манна-Кендалла. Кроме того, ИИ предложил использовать более гибкие модели: полином, GAM.
Также нейросеть написала код для дальнейшего анализа. Claude сгенерировал развернутый ответ, однако вычленять из него полезную информацию придется самостоятельно. А здесь – пример.
Промпт:
«Построй графики:
Gemini построил коробчатую диаграмму по десятилетиям, графики прогнозов ARIMA/Prophet с доверительными интервалами и график выбросов на основе остатков. Визуализации легко читаются, подходят для статьи или отчета. Посмотреть результат стараний ИИ можно в этом чате.
Задача: показать, как модели могут ошибаться и как другая модель исправляет биологическую интерпретацию.
Промпт:
«Проанализируй загруженное изображение клеток HeLa. Выдели клетки, ядра, измерь размеры, плотность и морфологию».
GPT-5.1:
Промпт:
«Проверь биологическую точность анализа GPT».
Claude правильно определил, что на изображении SEM/3D-рендер, а не флуоресценция, реинтерпретировал структуру: субконфлюэнтная культура, выраженные выросты, миграция, умеренная гетерогенность. Нейросеть отметила, что по одному кадру нельзя исключить или подтвердить апоптоз. Пример можно посмотреть здесь.
Задача: проверить, как нейросети для научных исследований помогают автоматизировать типовой синтез – от протокола до расчета выхода.
Промпт:
«Составь протокол синтеза ацетилсалициловой кислоты из салициловой кислоты и уксусного ангидрида для выхода 5 г продукта. Укажи:
Mistral выдал полный учебный протокол с расчетом масс, условиями реакции, осаждением, перекристаллизацией, описанием механизма и базовыми мерами безопасности. Стехиометрия задана так, что уксусный ангидрид потенциально будет введен с разумным избытком. Однако блок о технике безопасности слишком общий. Ознакомиться с протоколом можно по ссылке.
Промпт:
«Проверь химическую корректность протокола, укажи неточности, риски и ошибки безопасной работы».
LlaMA подтвердил корректность стехиометрии, показал, что лимитирующий реагент – салициловая кислота, а ангидрид в избытке, и подчеркнул риски работы с уксусным ангидридом и концентрированной H₂SO₄. Кроме того, нейросеть указала, что средства индивидуальной защиты и вытяжка критически необходимы. В то же время в блоке о мерах безопасности нет ничего об утилизации отходов и работе с горячим этанолом. А подробный протокол – в этом диалоге.
Промпт:
«Рассчитай теоретический, практический и ожидаемый выход реакции».
GPT-5:
Правда, расчет не учитывает фактические технологические потери и работает только в контексте «чистой» стехиометрии. А здесь – наглядный пример.
Задача: автоматически сгенерировать статью, оценить ее достоверность, используя разные нейросети.
Промпт:
«Напиши IMRaD-статью “Сравнение LoRA, QLoRA и полного дообучения на небольших наборах данных медицинских изображений”, 500 слов, стиль Nature Methods, с ограничениями».
GPT-5.1 предлагает правильную структуру:
Текст выглядит реалистично, однако нет конкретных метрик, архитектуры, гиперпараметров и описания датасетов. Прочитать имитацию научной статьи вы можете тут.
Промпт:
«Проверь статью на научную корректность, логические ошибки, слишком общие утверждения и формулировки, требующие источников».
Claude сработал как полноценный рецензент. Он отметил отсутствие:
Выделила модель и противоречия в выводах. Кроме того, ИИ предложил конкретные доработки. Прочитать анализ вы можете, открыв этот чат.
Промпт:
«Найди публикации 2020–2025 (с DOI), которые подтверждают ключевые утверждения статьи».
Результат
Perplexity нашел множество статей по теме, предоставил DOI и лаконичные выдержки. Подборка доступна по этой ссылке
Контекст: CSV с измерениями t(s), x(mm) для груза на пружине, задача – извлечь параметры колебаний и оценить корректность модели.
Промпт:
«Вот CSV-файл с измерениями затухающего гармонического осциллятора: t(s), x(mm).
Проанализируй данные:
Дай все промежуточные вычисления».
Gemini построил затухающую косинусоиду, нашел пики и нули, оценил период ≈0,75 с, частоту ≈1,3 Гц, коэффициент затухания γ≈1,55 c⁻¹ и показал, что ln(A(t)) почти линейна при низком уровне шума.
При этом модель игнорирует тот факт, что со временем период меняется, а значит, характеристика системы как линейной неверна. А познакомиться с нейрофизиком можно здесь.
Промпт:
«Рассчитай параметры затухающего гармонического осциллятора по экспериментальному CSV.
GPT-5.1 произвел запрошенные расчеты. Однако модель не учла, что параметры постоянными быть не могут – период и затухание зависят от амплитуды. Чтобы ознакомиться с расчетами, проходите сюда.
Промпт:
«Проверь корректность расчетов параметров осциллятора: ω, f, γ, Q и RMSE.
Проверь:
Предложи корректировки модели».
Claude продемонстрировал, что период заметно уменьшается, γ меняется с амплитудой, а ω растет при падении амплитуды, и переоценил параметры (ω≈8,5 рад/с, γ≈1,7 c⁻¹, Q≈2,4) с учетом всех экстремумов.
Дополнительно ИИ предложил нелинейную модель с амплитудно-зависимыми ω(A) и γ(A) и оценил статистические ошибки. Чтобы подробнее изучить расчеты и выводы, добро пожаловать в чат.
Использование искусственного интеллекта в науке – это эффективное решение, которое позволяет быстро разбираться с множеством задач: поиском литературы, ее анализом, составлением статей и визуализаций.
Комбинируя нейросети, вы получите именно тот результат, на который рассчитываете, – обилие релевантных источников, логические выкладки, отсутствие противоречий и составленный по всем правилам научный текст. А агрегатор GPTunneL откроет вам быстрый доступ к GPT, Perplexity, Gemini и другим ИИ-помощникам, ориентированным на разные научные задачи.
