В статье представлен новый метод AmyloCore-ML, основанный на машинном обучении и моделях языков белков (Protein Language Models, PLM), для точного предсказания участков, формирующих структурное ядро амилоидных фибрилл. В отличие от предыдущих предикторов, ориентированных на общую склонность к агрегации, данный инструмент фокусируется на резидуальном уровне, идентифицируя конкретные аминокислотные остатки, включенные в экспериментально подтвержденную структуру фибриллы. Для обучения модели использовались данные из базы Amyloid Atlas, где упорядоченные остатки в экспериментальных структурах классифицировались как «ядро», а неопределенные участки тех же белков — как «не-ядро». В качестве признаков применялись физико-химические дескрипторы и эмбеддинги современных PLM (ESM-2, ANKH, ProtT5), причем языковые модели продемонстрировали значительное превосходство над традиционными дескрипторами. Лучшие модели достигли значений AUROC около 0.88 и AUPRC около 0.85, а при полном сканировании белков модель ESM-2/ExtraTrees показала AUROC 0.833 и среднее расстояние до пика в 12.4 аминокислотных остатка. В сравнительном бенчмарке AmyloCore-ML превзошел существующие инструменты CrossBeta и AggrescanAI, обеспечив более высокую точность локализации ядер. Разработанный фреймворк доступен через интерактивный ноутбук Google Colab, что позволяет исследователям проводить предсказания без необходимости локальной установки программного обеспечения или наличия мощных вычислительных ресурсов. Этот инструмент представляет собой значительный шаг вперед в понимании механизмов нейродегенеративных заболеваний, связанных с образованием амилоидов.