Платформу генных данных за 436 млн доделают к 2030: её ИИ-модели уже лежат открыто

Теперь ФИЦ «Институт цитологии и генетики» СО РАН собирает из таких инструментов одну платформу для анализа больших генетических данных. Из федерального бюджета на неё выделено 436 млн рублей, срок сдачи — конец 2030 года.

Что войдёт в платформу. Модуль «Компьютерная инженерия больших генетических данных» сам извлекает сведения из научных публикаций, патентов и фактографических баз. Он же реконструирует и рисует генные сети, выделяя в них гены, РНК, белки и метаболиты.

Под этим лежит база знаний ANDSystem. В ней больше 20 млн взаимодействий, собранных из более чем 25 млн абстрактов PubMed, 13 типов объектов и свыше 10 000 шаблонов text-mining. Веб-сервис ANDDigest, который ищет по этой базе, открывается в браузере без регистрации, ограничений для неакадемических пользователей нет.

Взять можно сейчас. Лаборатория компьютерной протеомики института выложила на HuggingFace 6 моделей и 7 датасетов. Самый ходовой датасет про белковые взаимодействия скачали 15,4 тыс. раз.

Модель Gemma-2-9b-it-Fused_PPI на 9 млрд параметров находит белок-белковые взаимодействия прямо по абстрактам PubMed. Лицензия MIT, запуск через Transformers, vLLM, SGLang или Docker. Код классификаторов на PubMedBERT лежит на GitHub вместе с двумя Colab-ноутбуками: дообучение и инференс.

Раньше это были разрозненные сервисы и веса, каждый под свою задачу. Теперь их сводят в одну платформу с онтологией биоинформатики и интерпретируемым ИИ, а заявленная цель проекта — снизить зависимость научных и прикладных организаций от зарубежного ПО. Для масштаба: в 2025 году на программу каждого центра геномных исследований мирового уровня давали по 300 млн рублей, а вся стройка платформы до 2030 года стоит 436 млн.