Миллионы измерений связывания молекул с белками (IC50, Ki, EC50) скрыты в фармацевтических патентах и недоступны для открытых ИИ-моделей. Коммерческие платформы держат эти данные за платным доступом, а открытые базы вроде ChEMBL охватывают лишь малую часть. Мы предлагаем создать модульную систему ИИ-агентов, которая будет находить релевантные патенты, извлекать данные о тестах и связывании, нормализовать их и собирать в открытый датасет, пригодный для научных публикаций и обучения генеративных моделей.

В отличие от существующих решений, этот пайплайн ориентирован именно на данные связывания, а не только на химические структуры, и рассчитан на полную открытость и верифицируемость. Это шаг к созданию самого масштабного и прозрачного источника биоактивных данных из патентов — ресурса, способного значительно ускорить разработку новых лекарств с помощью ИИ.

Создайте ИИ-систему, которая ежедневно формирует приоритетные направления исследований в области старения — на основе реального научного контекста. Задача — построить живой граф знаний в стиле Singularis: гипотезы, методы, результаты и наблюдения оформляются как отдельные, связанные между собой сущности. Агент дополняет этот граф свежими данными из открытых источников (PubMed, preprints, Twitter, патенты), обосновывает, почему именно сейчас та или иная задача важна, и показывает, где уже идёт работа.

Особое внимание — на зоны с большим объёмом эмпирических данных: геномика и транскриптомика, эпигенетика, иммунное старение. Пользователь должен иметь возможность общаться с графом как с интеллектуальным ассистентом: задавать вопросы, получать релевантные ссылки, видеть пробелы в знаниях и незакрытые гипотезы. Такой подход превращает ИИ в активного участника научного процесса и создаёт основу для следующего поколения open science-платформ.

Проект OpenGenes — открытая база данных генов, ассоциированных со старением, долголетием и возраст-зависимыми заболеваниями. Пока она пополняется вручную, на основе экспертной оценки и чтения статей. Однако чтобы база масштабировалась вместе с полем — а не сгорала под напором новых публикаций — нам нужен интеллектуальный способ автоматического извлечения и оценки качества.

Задача: разработать подход (алгоритм, агент, пайплайн), который будет автоматически извлекать гены, связанные со старением, из новых научных публикаций, препринтов, патентов, и оценивать их достоверность. Что считать доказательством связи? Как выделить гены, упомянутые в контексте моделей, экспериментов, возрастной регуляции, а не просто вскользь? Как выстроить систему фильтрации, чтобы можно было доверять автоматическому вводу данных наравне с ручным? Хорошее решение позволит внедрить гибридную схему: экспертная валидация + поток автоматических кандидатов с приоритетами. Ваша работа поможет ускорить развитие всей longevity-экосистемы.