эволюционные алгоритмы

В статье представлен инновационный метод EvoPS, предназначенный для оптимизации обучения моделей на основе полнослойных гистологических изображений (Whole Slide Images, WSI). Основная проблема анализа WSI заключается в их колоссальном размере, что требует выбора наиболее информативных фрагментов (патчей) для обучения. Авторы предлагают использовать эволюционный алгоритм для отбора патчей непосредственно в пространстве эмбеддингов, что позволяет значительно повысить эффективность использования вычислительных ресурсов. Методология EvoPS фокусируется на поиске наиболее репрезентативных признаков, минимизируя избыточность данных при сохранении диагностической ценности. Исследование демонстрирует, что такой подход позволяет достичь высокой точности классификации патологий при сокращении объема обрабатываемых данных. Данная разработка имеет критическое значение для цифровой патологии, ускоряя процесс обучения нейросетей и снижая требования к инфраструктуре при анализе сложных гистологических срезов.

В исследовании представлен инновационный фреймворк, объединяющий эволюционные алгоритмы и генеративный искусственный интеллект для навигации в сверхбольших химических пространствах (более 10^20 соединений). Авторы решают проблему вычислительной сложности традиционного виртуального скрининга путем внедрения итеративной тонкой настройки моделей и поиска подструктур на основе химических реакций. Данный подход позволил эффективно идентифицировать целевые молекулы-кандидаты в коммерчески доступной библиотеке Enamine REAL Space, объем которой составляет порядка 10^15 соединений. Практическая значимость метода подтверждена биохимической валидацией: исследователи успешно нашли специфические pH-зависимые лиганды для μ-опиоидного рецептора. Результаты доказывают, что интеграция генеративного ИИ с эволюционными методами открывает путь к быстрому поиску новых, синтетически доступных молекул-лидеров, значительно ускоряя процесс разработки лекарственных препаратов.