В этой статье мы делимся практиками использования языковых моделей (LLM) в биологии и биомедицине — с акцентом на то, что действительно помогает учёным, студентам и всем интересующимся быстро осваивать новое, экономить время и делать работу увлекательнее.

Мы подробно рассказываем, какие LLM и сервисы сейчас актуальны — от ChatGPT и Gemini до отечественных решений и специальных инструментов для работы с ДНК, научными статьями и кодом. Показываем, как находить и сравнивать лучшие модели для своих задач с помощью лидербордов, а также как научиться “разговаривать” с ИИ так, чтобы получать от него максимум пользы.

В статье много внимания уделено тому, как LLM может стать вашим персональным наставником: объяснять сложные темы на простых примерах, генерировать упражнения, задавать вопросы на понимание и даже разбирать ваши протоколы и отчёты.
Мы честно говорим о плюсах и рисках работы с ИИ — ведь важно не только учиться быстрее, но и не забывать развивать критическое мышление и твёрдые навыки.

Если вы хотите по-новому взглянуть на свою работу или учёбу, освоить ИИ-помощников и сделать шаг вперёд в мире науки — эта статья для вас!

Предположим, что проводится большое исследование основных биохимических показателей крови у пациентов, проходивших обследование в нескольких клиниках. Все пациенты должны отказаться в одном наборе данных — но исходно каждая клиника поставляет свой датасет. Индексом в каждом из них будет номер паспорта пациента, а параметры будут сходны — для всех пациентов, помимо имени и даты рождения, будут доступны концентрации альфа-амилазы, креатинина, общего белка и т.п. Они будут представлять собой столбцы таблиц — но в каждой таблице они будут расположены в разном порядке, потому что у разных лабораторий были разные бланки.

Объединять такие таблицы, например, в Excel, ужасно долго и муторно. К счастью, если их удалось загрузить в pandas в виде фреймов данных, есть решение одной командой. Если вы импортировали pandas как pd, то команда объединения будет выглядеть так:

В одном из предыдущих постов мы уже разбирали работу в интерактивном блокноте на примере Google Colab. Возможность написания кода в ячейках (почти как в MS Excel!), удобное выполнение в интерактивном режиме и совмещение с блоками красиво оформленного текста делает работу с данными — в том числе биологическими — гораздо приятнее. 

Кроме того, заполненный и хорошо оформленный блокнот избавляет от необходимости придумывать коду какой-то интерфейс и вместо решения биологических задач тратить время на фронтенд-разработку. Блокнот вполне можно передать коллегам, обладающим лишь минимальными навыками Python, чтобы они ввели в него свои данные и воспользовались им для расчётов. То есть это хороший вариант для работы с биологами из «мокрых» лабораторий.  

У интерактивного блокнота есть и офлайн-реализация, которая называется Jupyter Notebook (Рис. 1). Установить его можно разными способами.

Краткий гид по основам библиотеки NumPy и основным линейно-алгебраическим операциям с её использованием

Pandas идеально подходит для работы с табличными данными – он способен открывать файлы Excel и проводить внутри преобразования. Более того, сохранить датафрейм тоже можно в файл Excel. Это делает удобной интеграцию pandas с офисным пакетом: результаты можно сразу красиво оформить для выступления на конференции или передачи коллегам, которые занимаются только “мокрой” биологией и не работают с инструментами data science.

Давайте посмотрим, как это делается. Если мы импортировали pandas под именем pd: