Главный вывод такой:
- Василенко: AI-guided design родопсинов уже активно существует. Новизна должна быть не «применили ИИ», а prospective experiment: предсказали конкретные мутации → сделали их → проверили спектр и функцию → по результатам сделали второй дизайн.
- Власов: и membrane targeting, и AI-анализ микроскопии уже существуют. Интересное свободное место — замкнутый цикл construct → microscopy → quantitative AI phenotype → redesign → function на конкретном вирусном родопсине.
- Шишкин: ML-классификация SAXS, Bayesian optimization и даже ultra-swollen lipidic phases уже существуют. Но сочетание уникальной FABPEG-системы МФТИ + SAXS + конкретный мембранный белок + active learning, выбирающий следующий эксперимент, выглядит наиболее оригинально.
Важно: «ещё не сделано» ниже означает «я не нашёл убедительной публикации с именно такой комбинацией задачи в проведённом поиске», а не формальное доказательство мировой новизны. Перед статьёй/патентом потребуется отдельный систематический поиск.
—
I. ВАСИЛЕНКО
AI-guided рациональный дизайн родопсинов + эксперимент
Текущая линия МФТИ уже очень удачно располагается для следующего шага: в работе Василенко 2026 года ML-модель примерно на 800 родопсинах использована для выделения позиций, способных давать красные/синие спектральные варианты при сохранении функции. (Конференция МФТИ)
Что уже сделали в мире
| Работа | Что сделали | Что это «закрывает» | Что остаётся для МФТИ |
|---|
| Inoue et al., Communications Biology, 2021 | ML + Bayesian experimental design. Из 3022 природных ion-pump rhodopsins отобрали 65; у 39 измерили спектр, 32 дали red shift | Нельзя заявлять новизной «ML выбирает красносмещённые родопсины для проверки» | Работать с направленными мутациями конкретного белка, а не искать природные последовательности (Nature) |
| ChRmine structures, Nature Communications, 2022 | Cryo-EM структура + structure-guided mutations; получили варианты с изменённой кинетикой канала | Structure-guided engineering channelrhodopsins уже зрелая концепция | Совместить структуру с AI-ranking и prospective validation конкретных мутаций (Nature) |
| MrHR/SyHR, Scientific Reports, 2022 | Направленные мутации изменили способность родопсина транспортировать sulfate | Изменение ионной селективности мутагенезом уже демонстрировалось | Одновременно оптимизировать спектр + транспортную функцию, а не одно свойство (Nature) |
| RhoMax, JCIM, 2024 | AlphaFold2 + geometric DL для λmax. Набор: 75 WT, с мутантами 884 последовательности. WT и его мутанты держали в одном train/test split во избежание leakage | Простое «DL предсказывает λmax» уже точно не новая тема | Проверять Δλ конкретной мутации, generalization на новый WT, uncertainty и функцию (PubMed Central (PMC)) |
| ProMEP, Cell Research, 2024, Китай | Sequence+structure model обучена на 160 млн белков; zero-shot mutation prediction; модель реально использовали для wet-lab engineering TnpB/TadA | Нельзя утверждать, что только специализированная модель родопсинов умеет выбирать полезные мутации | Интересен benchmark специализированной модели Василенко против general protein models именно на rhodopsins (Nature) |
| μProtein, Nature Machine Intelligence, 2025, Microsoft/Китай | Protein LM + reinforcement learning; по single-mutant данным находили полезные multi-mutants; проверено wet-lab на β-lactamase | RL/AI-search пространства многоточечных мутантов сам по себе уже не нов | Проверить, переносится ли подобная стратегия на retinal protein с несколькими одновременно оптимизируемыми свойствами (Nature) |
| Chrimson colour tuning, Chemical Communications, 2025 | MD + QM/MM объясняют физическую природу красного спектрального сдвига и эффект S169A | Одного статистического ML недостаточно для претензии на понимание механизма | Соединить AI prediction с физически интерпретируемым retinal-pocket mechanism (ScienceDirect) |
| AI-enabled rhodopsin design, bioRxiv, 2026 | Уже сгенерированы неприродные blue-shifted rhodopsins: GA + ML + sequence filter; 4 варианта экспериментально подтвердили 410 нм и функцию | Даже «AI создаёт искусственный spectral rhodopsin» уже заявлено | Это пока препринт, но он резко повышает планку: МФТИ нужен более конкретный mechanistic/multiobjective вопрос (BioRxiv) |
Что из этого следует
Первоначальная тема
«ML-предсказание спектрального сдвига родопсинов»
уже слишком поздняя.
Даже тема
«ИИ предлагает мутации, которые потом экспериментально проверяются»
к августу 2026 года уже недостаточно уникальна: июньский препринт 2026 буквально демонстрирует AI → artificial rhodopsin → wet-lab validation. (BioRxiv)
—
Где я вижу настоящую нишу для Василенко
Вариант V1 — лучший
«Prospective comparison of specialized and foundation AI models for multi-objective engineering of microbial rhodopsins»
На нормальном русском:
«Сравнение специализированных и универсальных AI-моделей для рационального дизайна спектрально-модифицированных микробных родопсинов с экспериментальной валидацией»
Не обучать ещё одну нейросеть.
Взять:
- модель Василенко;
- RhoMax;
- general mutation predictor вроде ProMEP/Protein LM;
- простой физически интерпретируемый baseline.
Каждая модель независимо ранжирует мутации.
После этого выбрать, например:
2 consensus mutations + 2 mutations, по которым модели расходятся + controls.
И сделать их wet-lab.
Это значительно интереснее.
—
Вариант V2 — на мой взгляд, ещё сильнее
«Многокритериальный дизайн родопсина: спектральный сдвиг при сохранении транспортной функции»
То есть модель должна искать не максимальный red shift.
Нужно найти Pareto optimum:
[\Delta\lambda \uparrow]
при одновременно:
[\text{expression} \not\downarrow]
[\text{transport activity} \not\downarrow]
и желательно:
[\text{stability} \not\downarrow]
Это значительно ближе к настоящей инженерии белка.
—
V3 — наиболее бакалаврски реалистичный
Первая серия → результат → второй design.
Например:
- AI выбирает 4 мутанта.
- Студент делает конструкции.
- Измеряются spectrum + function.
- Анализируется, где AI ошибся.
- Студент сам предлагает вторую серию 2–3 мутантов.
- Проверяет её.
Вот этот второй цикл может оказаться научно важнее любой сложной нейросети.
Где новизна МФТИ может сформулироваться одним предложением
Не предсказание λmax как таковое, а prospective проверка переносимости AI-guided mutational design на конкретный microbial rhodopsin при одновременном контроле спектральных и функциональных свойств.
Моя оценка
Реализуемость: 5/5
Новизна при обычном ML: ⅖
Новизна при V1/V2 + wet-lab + второй цикл: 4–4.5/5
—
II. ВЛАСОВ
AI + генетические конструкции + confocal microscopy + функция
Здесь важно понимать, что в МФТИ уже есть великолепная исходная точка. В 2026 году на секции биофизики для VirChR1/OLPVR1 исследовали внутриклеточную локализацию конфокальной микроскопией и функцию, а конструкцию VirChR1 оптимизировали для повышения доли белка на внешней мембране. (Конференция МФТИ)
То есть не надо придумывать искусственную AI-задачу. Есть настоящий phenotype.
Что уже существует за рубежом
| Работа | Уже сделано | Что этим закрыто | Возможность МФТИ |
|---|
| PsCatCh2.0, 2022 | Signal peptide + plasma-membrane trafficking signal + ER-export motif существенно усилили экспрессию/мембранный targeting и photocurrent | Просто «добавить trafficking signals к ChR» уже давно не новизна | Систематически исследовать какой дизайн оптимален именно для нового viral rhodopsin (Nature) |
| Human Protein Atlas Single-Cell Classification, Nature Methods, 2022 | ML классифицирует субклеточную локализацию на single-cell confocal images | «Использовать нейросеть для определения локализации белка» само по себе не ново | Делать количественный phenotype специально для engineering experiment (Nature) |
| ChR2-XXL + mucin motifs, Advanced Biology, 2024 | Разные N-terminal motifs целенаправленно меняли локализацию optogenetic actuator; проверка microscopy + patch-clamp | Genetic targeting ChRs в разные compartments уже активно делается | Новый viral rhodopsin + систематический design space + quantitative model (Wiley Online Library) |
| K-selective channelrhodopsins, Nature Communications, 2024 | Membrane-trafficking modules повысили мембранную локализацию и эффективность KCR | Сам принцип «лучший trafficking → лучший photocurrent» известен | Исследовать trade-off localization/function разных вариантов конструкции (Nature) |
| μSAM, Nature Methods, 2025 | Foundation model для segmentation/tracking light и electron microscopy | Делать собственную сеть для обычной segmentation не нужно | Использовать готовую segmentation и сосредоточиться на биологии (Nature) |
| PUPS, Nature Methods, 2025 | Sequence + image AI предсказывает subcellular localization на уровне отдельных клеток, включая изменения из-за мутаций | Даже AI prediction localisation по sequence/image уже опубликован | Проверить на engineered microbial/viral membrane protein, где morphology и trafficking специфичны (Nature) |
| CellSAM, Nature Methods, 2025 | Универсальная segmentation mammalian cells/yeast/bacteria, human-level performance в ряде задач | Не надо тратить ВКР на написание segmenter с нуля | Быстро сделать robust quantitative image pipeline (Nature) |
| CodonTransformer, Nature Communications, 2025 | Transformer для host-specific codon optimization на >1 млн DNA–protein пар, 164 организма | «AI codon optimization» тоже не новая научная тема | Использовать как инструмент/контроль при проблемах expression, а не как ядро ВКР (Nature) |
И здесь есть ещё более неприятный prior art
Ещё в 2017 году, то есть раньше интересующего нас окна, уже была опубликована работа:
Machine learning to design integral membrane channelrhodopsins for efficient eukaryotic expression and plasma membrane localization.
ML использовали именно для поиска ChR-вариантов, хорошо экспрессирующихся и локализующихся на плазматической мембране mammalian cells. (PLOS)
Поэтому тему:
«Используем ML, чтобы улучшить membrane localization channelrhodopsin»
я бы точно не предлагал как новизну.
—
Где я вижу свободное место для Власова
Здесь интереснее не prediction, а closed-loop engineering.
Тема Vl1 — мой фаворит
«Closed-loop оптимизация генетических конструкций вирусного родопсина на основе количественного анализа мембранной локализации и функционального фенотипа»
Первая серия:
WT + construct A + B + C + D
↓
confocal
↓
автоматически на 300–1000 клетках:
- segmentation;
- membrane/cytoplasm fluorescence ratio;
- ER/Golgi accumulation;
- expression;
- heterogeneity.
↓
function:
- patch clamp / Ca response / иной assay.
↓
модель выявляет:
localization ↑, function ↑
или
localization ↑, но function ↓.
↓
студент проектирует вторую серию конструкций.
Вот это уже действительно интересная работа.
—
Очень важный сдвиг
Не строить AI, который отвечает:
«мембрана или не мембрана».
Это слишком примитивно.
Строить quantitative phenotype:
[P_{membrane}]
[Membrane/Cytoplasm]
[ER\ retention]
[
Expression
]
[
Photocurrent
]
А затем искать зависимость:
[
\text{construct architecture}
\rightarrow
\text{trafficking}
\rightarrow
\text{function}.
]
Тогда это уже биофизика, а не computer vision.
—
Более амбициозный Vl2
«Предсказание и экспериментальная проверка влияния конструктивных элементов на trafficking–function trade-off вирусных родопсинов»
Можно варьировать:
- N-terminal signal peptide;
- ER-export motif;
- trafficking sequence;
- linker;
- C-terminal tag;
- возможно, несколько внутренних mutations.
Но здесь важно не сделать 50 конструкций.
Для бакалавра:
4–6 первая серия + 2–4 вторая серия
выглядит разумнее.
—
А что AI реально ускорит?
Очень сильно — microscopy.
Вместо человека, вручную анализирующего 50 representative cells, можно получить:
800 клеток × 5 конструкций → автоматический количественный phenotype.
И это делает статистику работы гораздо сильнее.
Возможная новизна МФТИ
Использование single-cell quantitative image phenotype как обратной связи для второго цикла рационального redesign нового viral rhodopsin.
Я не нашёл в текущем поиске работы, где именно для VirChR1/OLPVR1-подобной системы был бы продемонстрирован этот полный закрытый цикл.
Это гораздо аккуратнее заявлять, чем:
«впервые применили AI к microscopy».
Оценка
Реализуемость: 4.5/5
AI-новизна отдельно: ⅖
Closed-loop construct → image → redesign → function: ⅘
—
III. ШИШКИН
SAXS + expanded mesophases + active learning + membrane protein
И вот здесь конкурентное поле оказалось особенно интересным.
Проект МФТИ уже получил расширенные LCP с каналами примерно до 190 Å для FABPEG-2.5k и 240 Å для FABPEG-5k; в 2025 году построены SAXS phase maps monoolein–FABPEG–water и других систем. (Russian Science Foundation)
То есть данные уже не гипотетические.
Но много отдельных компонентов уже сделано за рубежом
| Работа | Уже сделано | Что закрыто | Где остаётся МФТИ |
|---|
| Abdel Aty et al., Digital Discovery, 2022 | CNN определяет lipid phase прямо из raw SAXS; synthetic pretraining + experimental fine-tuning; reported accuracy >99% | «Нейросеть автоматически распознаёт cubic/hexagonal/lamellar SAXS» — уже не тема | Использовать классификацию лишь как preprocessing для experimental decision-making (Royal Society of Chemistry Publications) |
| Younes et al., Stanford/SLAC, 2023 | Bayesian optimization выбирает следующие SAXS measurements; 271 experimental points; часто несколько итераций до оптимума | «Bayesian optimization решает, какую точку SAXS снять следующей» — тоже уже опубликовано | Применить к биологически специфичной lipid–protein system и multiobjective target (PubMed Central (PMC)) |
| 7.10 MAG, Crystal Growth & Design, 2024, Trinity College Dublin | Новый host lipid, SAXS/WAXS phase diagrams; получены high-resolution structures α-helical и β-barrel membrane proteins | Создание новых LCP host lipids и карт фазового поведения активно развивается | FABPEG-химия МФТИ — другая система; можно оптимизировать именно её (American Chemical Society Publications) |
| MEMPLEX, Nature Communications, 2025, UC Davis | >20 000 chemical–protein environments, 28 membrane proteins; ML + active learning оптимизировали условия получения membrane proteins | Даже связка membrane protein × lipid environment × active learning уже существует | У МФТИ другой вопрос: in meso structural compatibility/crystallization, а не cell-free synthesis (Nature) |
| Swollen lipid mesophase water dynamics, Small, 2025 | SAXS исследует temperature-dependent swollen lipid mesophases и управляемое swelling | Современная физика swollen mesophases активно исследуется | FABPEG + конкретная задача больших membrane proteins остаётся отдельным пространством (Wiley Online Library) |
| LCP viscoelasticity / injection, Scientific Reports, 2025 | Изучено, как состав/детергент/flow влияют на LCP phase и её свойства при X-ray injection | Не только размер канала важен: rheology и stability тоже уже рассматриваются | Добавить stability/processability как вторую objective модели МФТИ (Nature) |
| Differentiable ML SAXS framework, 2026 | Neural surrogate ускоряет решение inverse SAXS problem для heterogeneous lipid nanoparticles на четыре порядка | ML-surrogate для ускорения SAXS fitting тоже уже появляется | Для FABPEG можно делать physics-informed model специфично для cubic/hexagonal phase parameters; работа пока препринт (arXiv) |
—
Здесь есть ключевой prior art ещё из 2018 года
Это обязательно надо знать Шишкину и студенту.
В 2018 году уже была опубликована работа:
Design of ultra-swollen lipidic mesophases for the crystallization of membrane proteins with large extracellular domains
Получены:
- Ia3d с каналом около 226 Å;
- Pn3m около 204 Å;
то есть примерно пятикратное увеличение относительно обычных мезофаз.
Более того, в этих системах реально кристаллизовали membrane protein с большим extracellular domain. (PubMed Central (PMC))
Поэтому:
«Мы впервые сделали LCP с каналом >200 Å для больших membrane proteins»
заявлять нельзя.
Это уже существует.
А что тогда нового у проекта МФТИ?
У МФТИ другой химический механизм — FABPEG — и собственное пространство устойчивости фаз. РНФ прямо сообщает для FABPEG-5k каналы до 240 Å, но узкое окно устойчивости. (Russian Science Foundation)
И вот узкое окно устойчивости мне кажется подарком для AI-задачи.
—
Где здесь может быть действительно сильная новизна
Не:
«максимизировать диаметр канала».
Это слишком просто.
А найти одновременно:
[
D_{\text{channel}}\uparrow
]
[
Stability_{\text{phase}}\uparrow
]
[
Protein\ compatibility\uparrow
]
при ограничениях на:
- concentration;
- temperature;
- FABPEG MW;
- detergent;
- hydration;
- lipid composition.
То есть задача:
«Multi-objective active-learning optimization of FABPEG-swollen lipid mesophases for incorporation of a specific membrane protein»
На русском:
«Многокритериальная оптимизация расширенных липидных мезофаз для включения мембранного белка с использованием активного обучения и SAXS»
Вот это уже существенно интереснее.
—
И я бы сделал ещё один шаг
Не просто обучать модель на старых данных.
Сделать prospective experiment.
Допустим, имеются 150 старых составов.
Модель обучилась.
Она говорит:
Следующие наиболее информативные составы:
A
B
C
D
E.
Их реально готовят.
Снимают SAXS.
Возвращают результаты модели.
Она выбирает:
F
G
H.
Получается:
round 1 → model → round 2 → model → round 3.
И сравнить с:
- grid search;
- случайным выбором;
- выбором эксперта.
Главный вопрос:
Сколько реальных экспериментов удалось сэкономить?
Это очень хорошая измеряемая научная величина.
—
Но настоящий апгрейд темы Шишкина — добавить белок
Если модель просто найдёт фазу:
получится хорошая физхимия.
Если же:
phase predicted as optimal → membrane protein inserted → protein remains stable/functional → условия действительно лучше,
получается значительно более сильная биофизическая история.
MEMPLEX показывает, насколько плодотворна сама идея learning protein–chemical–lipid interactions, но решает другую задачу — synthesis in artificial environments. (Nature)
Именно поэтому здесь у МФТИ остаётся пространство.
—
Сравнение трёх тем после международного поиска
По потенциальной научной оригинальности
| Место | Тема | Почему |
|---|
| 1 | Шишкин: FABPEG + membrane protein + active learning | Конкретная химическая система и данные МФТИ довольно уникальны |
| 2 | Василенко: multiobjective rhodopsin AI + prospective wet-lab benchmark | Очень современно, но международная конкуренция огромная |
| 3 | Власов: AI quantitative localization + closed-loop redesign | Очень хорошая ВКР, но почти все вычислительные компоненты уже хорошо развиты |
По вероятности сделать сильную ВКР к февралю–марту 2027
Я бы переставил:
| Место | Тема |
|---|
| 1 | Василенко |
| 2 | Власов |
| 3 | Шишкин |
Потому что у Василенко уже существует ML-линия и прямо сейчас есть цель отбора мутантов. (Конференция МФТИ)
У Власова уже продемонстрирован workflow construct → confocal → function на viral rhodopsins. (Конференция МФТИ)
Шишкин потенциально наиболее оригинален, но закрытый active-learning цикл зависит от качества массива SAXS и возможности быстро ставить новые experiments.
—
По совпадению с нынешним интересом студента: генная инженерия
Тут ещё иначе:
1. Василенко
Если студент получает:
выбор мутации → DNA construct → expression → spectrum → function.
2. Власов
Если нравится:
construct → mammalian cells → confocal → electrophysiology.
3. Шишкин
Только если ему дают настоящую protein/construct часть. Иначе генинженерия становится периферийной.
—
Я бы теперь изменил вопросы на встречах
Василенко — главный вопрос
«Ваш ML уже выделяет перспективные позиции. Есть ли смысл сделать отдельную работу не по обучению ещё одной модели, а по prospective benchmark: ваша специализированная модель против современных general mutation models, затем независимо выбрать 4–6 мутантов и экспериментально проверить одновременно Δλ и функцию? А по результатам первой серии сделать второй design cycle?»
Если ответ «да, это у нас ещё никто не сделал», это для меня очень сильный вариант.
—
Власов — главный вопрос
«Можно ли превратить анализ confocal в количественный closed-loop experiment: автоматически измерять membrane/cytoplasm localization на сотнях клеток для нескольких генетических конструкций, сопоставлять это с функциональным assay и по результатам первой серии проектировать вторую?»
Если есть:
- изображения;
- WT;
- routine transfection;
- routine microscopy;
- function assay,
это очень безопасная бакалаврская работа.
—
Шишкин — главный вопрос
«У вас уже есть phase maps FABPEG. Можно ли поставить следующий вопрос не “как автоматически классифицировать SAXS”, потому что это уже сделано в мире, а “может ли active learning уменьшить число экспериментов для поиска стабильной фазы с заданным размером канала и совместимостью с конкретным мембранным белком”? И можем ли мы prospectively проверить рекомендации модели новыми SAXS-измерениями?»
Если ответ:
«Да, у нас есть 150–300 хорошо размеченных составов и мы можем регулярно готовить новые»,
то я бы резко поднял Шишкина в рейтинге.
—
Самая перспективная версия каждой темы
Я бы сейчас зафиксировал именно эти три.
Василенко
«Многокритериальный AI-guided дизайн микробных родопсинов с экспериментальной проверкой спектральных и функциональных эффектов мутаций»
Ключ:
prediction → experiment → error analysis → redesign.
—
Власов
«Closed-loop оптимизация генетических конструкций вирусного родопсина на основе количественного AI-анализа внутриклеточной локализации и функциональной активности»
Ключ:
construct → cell → image → quantitative phenotype → redesign.
—
Шишкин
«Active-learning оптимизация расширенных FABPEG-липидных мезофаз для включения крупных мембранных белков по данным SAXS»
Ключ:
composition → SAXS → model → next experiment → protein compatibility.
—
И неожиданно главный вывод международного поиска
Я бы не ставил студенту задачу разработать новую нейросеть вообще.
За 2021–2026 мир ушёл очень далеко: geometric DL уже прогнозирует spectra rhodopsins, foundation models прогнозируют mutation effects, reinforcement learning ищет multi-mutants, foundation vision models сегментируют microscopy, а Bayesian optimization уже управляет SAXS experiments. (American Chemical Society Publications)
Для бакалавра МФТИ гораздо более сильная формула:
берём лучший существующий AI → задаём ему новую биофизическую задачу → получаем проверяемое предсказание → студент своими руками ставит эксперимент → анализирует ошибку → делает второй экспериментальный цикл.
Именно prospective wet-lab validation на уникальной системе CMM может оказаться тем, чего нет у множества красивых computational papers.
Если выбирать сейчас один проект с лучшим балансом «генинженерия + AI + шанс успеть + статья», я по-прежнему поставил бы Василенко первым. Если же после разговора с Шишкиным выяснится, что у него действительно есть большой чистый SAXS dataset и возможность оперативно проверять предложенные моделью новые составы с конкретным мембранным белком, его тема потенциально может оказаться самой научно оригинальной из всех трёх.