7 июля стартовал недельный онлайн-хакатон Built with Claude: Life Sciences. Его провели Anthropic вместе с институтом Гладстона и площадкой Cerebral Valley, участники со всего мира собирали проекты на стыке ИИ и биомедицины, используя Claude Code и научный доступ к Claude. 17 июля объявили победителей. Ниже, разбор пяти призовых проектов и общий инженерный приём, который их объединяет.
Почти в каждом проекте Claude работает не «в один проход». Рядом с основной моделью стоит контур проверки – агент-скептик, воспроизводимый тест или явная трассировка рассуждений. Для тех, кто строит агентов в продакшене, это, пожалуй, интереснее самих биологических результатов.
TL;DR
-
NCypher – триаж некодирующих мутаций при детской глиоме с честным флагом уверенности и агентом-рецензентом.
-
Extremolith – белковая языковая модель, делающая любой фермент устойчивым к экстремальным условиям.
-
Lazarus – агент, который по ссылке на GitHub воскрешает мёртвый научный код в воспроизводимый контейнер.
-
Provinans – сведение разнородных клинических архивов при смене стандартов классификации.
-
Trialign – подбор клинических испытаний онкопациенту с учётом его будущей терапии.
1. NCypher: триаж мутаций в «тёмной» ДНК
Фейт Огундиму (Дублин) взялась за диффузную срединную глиому – педиатрическую опухоль ствола мозга с крайне плохим прогнозом. Около 90% детей погибают в течение двух лет, а первый системный препарат, одобренный в 2025 году, не излечивает. Основная биология опухоли лежит в некодирующей части генома – регуляторных участках, где предсказатели эффекта вариантов работают хуже всего.
NCypher устроен как слой триажа, а не очередной предсказатель патогенности. Для каждого варианта в подходящем клеточном контексте (fetal-OPC) он собирает три сигнала: оценку регуляторной активности, механизм (какой мотив и какое основание ломается) и честный флаг уверенности. Вариант повышается в приоритете только при согласии независимых линий доказательств.
На 10 869 соматических некодирующих вариантах из когорты H3 K27M инструмент выдал двусторонний результат вместо удобного «драйвера». Соматические мутации не управляют суперэнхансерами, от которых зависит опухоль, зато сами эти энхансеры лежат на заметно более консервативной регуляторной последовательности OPC (matched-permutation p<0,001), и шорт-лист возглавляет ген NPAS3. Движок валидировали на прогениторных caQTL (AUROC 0,69) и оставляли «честно неуверенным» там, где он работать не должен. Шесть стресс-тестов независимо перепроверял отдельный агент-рецензент.
Инженерам интересна упаковка: NCypher поставляется как полноценный MCP-инструмент, Agent Skill со встроенным скептиком, гейт воспроизводимости и скачиваемая регуляторная карта. Готовый паттерн «результат плюс встроенная проверка».
Репозиторий: faith-ogun/ncypher
2. Extremolith: экстремофильная версия любого фермента
Джеймин Патель (Беркли) с помощью Claude обучил белковую языковую модель, которая генерирует экстремофильный вариант произвольного фермента, сохраняя его функцию, но повышая устойчивость к температуре, pH и солёности. Мотивация понятна любому, кто работал с ферментами: те же ферменты для деградации пластика оптимальны при температурах, которые их денатурируют.
Самое сложное здесь – данные. Обучающую выборку пришлось собирать через связку GTDB, GenomeSPOT, signalP6 и mmseqs2, а затем аккуратно фильтровать, чтобы убрать систематические смещения. Поверх ESM2 обучались адаптер и классификаторы, а финальный генеративный конвейер на masked-PLM должен был удерживать ферментативную функцию и обобщаться на любой фермент.
По оценке автора, скоуп на 6-12 месяцев ужался в пять дней. Claude помогал и с кодом, и с постановкой десятков мини-экспериментов, которыми отсеивались смещения в данных и структурировалась сама задача.
Репозиторий: jayman1466/Extremophilic-Protein-Translator
3. Lazarus: воскрешение мёртвых репозиториев
Дин Шерри (Йоханнесбург) собрал агента против софт-гниения в науке. Проблема знакома любому, кто пытался запустить чужой код к статье: репозиторий открыт и цитируется, но не собирается – стек протух, зависимости не резолвятся, а сама «фича» закопана в скрипты без API. Lazarus принимает голый URL на GitHub и превращает проект в вызываемый контейнеризованный компонент.
Механика такая. Агент читает репозиторий и статью, сам формулирует цель и фальсифицируемый тест успеха, затем гоняет цикл build → run → read-traceback → repair в одноразовом Docker-сэндбоксе (CPU / remote / GPU), пиня зависимости под эпоху последнего коммита. На выходе – единый «контракт»: импортируемый модуль, CLI, зафиксированный контейнер и smoke-тест. Драйвится всё через Claude Agent SDK, пакет опубликован в PyPI (pip install lazarus-bio).
На шести мёртвых методах разных эпох (MaSIF, ScanNet, dMaSIF, fpocket, Basset, DiffDock) агент добился не только запуска. Он починил 15-летний баг undefined behaviour в C-коде fpocket, пропатчил путь к CUDA в dMaSIF, открыв GPU-исполнение, которое оригинал форсил на CPU, и поймал тихий баг soft-masking в геномном Basset, из-за которого наивный прогон выдал бы неверный результат.
Отдельно стоит момент честности. Когда штатный пример DiffDock не проходил его же порог в 2 Å, агент отказался имитировать успех и воспроизвёл агрегированную точность из статьи (top-1 ≈0,375 против заявленных ~0,40). А на принципиальной случайной выборке из 20 инструментов из журнала Bioinformatics за 2018–2021 без агента запускались лишь 3 из 20 – Lazarus оживил все мёртвые (17 из 17), пять результатов совпали с числами из статей. Найденные фиксы уходят апстрим в виде пул-реквестов.
Репозиторий: DoctorDean/lazarus
4. Provinans: сшивка клинических архивов при смене стандартов
Ширин Ли (Торонто) сделала инструмент для реконсиляции датасетов в лонгитюдных исследованиях. Кейс недели – патология эндометрия совместно с лабораторией доктора Блейка Гилкса, где тысячи архивных ревью делаются вручную. Проблема системная: в 2023 году FIGO пересмотрела протоколы классификации, добавив и убрав поля и переопределив, что такое «стадия». По одной оценке, до 28% пациентов за ночь формально сменили стадию, хотя в их картах ничего не менялось.
Ставка Provinans в том, что Claude Sonnet при аккуратной обвязке справляется с отраслевыми стандартами и подсвечивает места, где нужно экспертное решение человека. Отсюда акцент на прослеживаемом интерфейсе: видно происхождение каждой склейки записей. Подход выходит за рамки медицины – он про любые архивы, собранные по меняющимся во времени стандартам.
Демо: reversely-provinans.hf.space
5. Trialign: матчинг клинических испытаний с учётом времени
Джулс Пак (Торонто) и Нил Ванг (Сан-Франциско) получили приз института Гладстона за Trialign – patient-facing матчер онкоиспытаний. Пациент вставляет клиническую заметку, загружает запись или подключает EHR через SMART on FHIR. Claude собирает структурированный профиль в формате mCODE, задаёт только те вопросы, которые реально влияют на eligibility, и скринит живые наборы на ClinicalTrials.gov с построчной логикой inclusion/exclusion.
Ключевое отличие – работа со временем. TrialJectory, Antidote и TrialMatch трактуют eligibility как статичный снимок. На практике это закрывающееся окно: терапия, начатая в следующем месяце, может дисквалифицировать пациента из испытаний, о которых он не знал. Trialign после списка «доступно сегодня» спрашивает, что рекомендует лечащая команда дальше, и показывает, какие испытания этот шаг отрежет.
Цифры из ресёрча команды объясняют мотивацию. В одной когорте фазы I около 48% выпавших из воронки уже начали off-protocol терапию, ни разу не согласившись на испытание. Примерно 76% рассматриваемых для онкоиспытаний не доходят до первой дозы, а трёхмесячная летальность после screen-fail – около 30%. Отдельно команда отмечает регуляторную рамку: раскрытие авторизует сам пациент, поэтому приложение не становится HIPAA business associate, а модель данных соответствует федеральному списку USCDI+ на базе mCODE.
Репозиторий: itsjoopark/trial-ai-platform
Общий чертёж: агент плюс контур проверки
Пять проектов из разных доменов – онкогенетика, инженерия белков, воскрешение кода, клинические архивы, матчинг испытаний – собраны по одной схеме. Рядом с генеративной частью всегда стоит проверка: второй агент-скептик у NCypher, воспроизводимый тест и reproduction-сертификат у Lazarus, прослеживаемость у Provinans, построчная трассировка eligibility у Trialign. Этот контур и отделяет демо от инструмента, которому можно отдать реальную задачу.
Практический вывод для тех, кто строит на LLM: закладывайте верификацию в архитектуру сразу – отдельным агентом, фальсифицируемым тестом или явной трассировкой рассуждений. Не откладывайте её на постобработку. Кирпичики для этого в экосистеме уже есть: MCP для внешних инструментов, Agent Skills для инкапсуляции логики со скептиком, Claude Agent SDK для автономных циклов «сделал → проверил себя → починил».
Это только призёры. За неделю участники собрали десятки проектов – остальные лежат в галерее хакатона. Если разбираете похожие задачи, там есть что подсмотреть.
Автор: stas-clear
