Trump's Venezuela Oil Grab Worries OPEC

 

Trump’s tariffs cut off American market from efficient Chinese production. That is making American prices grow. To compensate, Trump wants energy price go even more down. If this will hurt American shale producers and OPEC plus, Trump is ready to live with it.

 

Trump’s tariffs cut off American market from efficient Chinese production. That is making American prices grow. To compensate, Trump wants energy price go even more down. If this will hurt American shale producers and OPEC+, Trump is ready to live with it. What will Saudis do?

 

Saudi Arabia will likely take actions to stabilize global oil prices to ensure sufficient revenue for its economic diversification goals (Vision 2030), potentially leading to production cuts or coordinated action with OPEC+ to counteract U.S.-driven downward price pressure. They are unlikely to simply absorb a price crash that threatens their economy.

 

Here are the potential actions and considerations for Saudi Arabia:

 

    Implement production cuts: Saudi Arabia and other OPEC+ members could agree to reduce production further to prop up prices and prevent a market oversupply. The group has previously shown a willingness to make cuts to stabilize the market.

 

    Leverage diplomatic ties: Despite past tensions, U.S.-Saudi relations have recently focused on strategic partnerships beyond oil, including nuclear energy and defense. Saudi Arabia might use this renewed leverage to negotiate favorable terms or guarantees from the U.S. administration in exchange for oil policy alignment.

    Prioritize market share (less likely in the short term): In the past, Saudi Arabia has initiated price wars to drive out high-cost producers like U.S. shale firms. However, the current high-stakes environment and need for consistent revenue make a sustained price war less likely as it would hurt their own budget.

    Focus on economic diversification: Saudi Arabia will continue to accelerate its Vision 2030 plan to reduce its reliance on oil revenues, making it more resilient to oil price fluctuations in the long run.

    Seek guarantees from the U.S.: Any decision by Saudi Arabia to align with U.S. demands for lower prices would likely require solid incentives, such as a mutual defense agreement, support for its civil nuclear program, and technology transfer for AI ambitions.

 

In essence, Saudi Arabia will prioritize its long-term financial stability and national interests, and will likely resist U.S. policies that inflict severe pain on its oil revenues without significant concessions in return.

 

“OPEC members struggling to preserve their market share amid a sinking price for oil now have an unexpected new variable to contend with: President Trump's move to dominate Venezuela's oil supply and push the market in a direction that would benefit American consumers.

 

Trump, who has long championed increased oil production and a target price of $50 a barrel, is planning a sweeping initiative to rehabilitate Venezuela's oil fields and market its output, people familiar with the matter said.

 

That would reshape the global oil map -- putting the U.S. in charge of the output of one of the founding members of the Organization of the Petroleum Exporting Countries and, along with America's own prodigious production, give it a potentially disruptive role in a market already struggling with oversupply.

 

While analysts expect that reviving Venezuela's dilapidated oil industry will take huge investments and a lot of time, they say even a small near-term output increase -- followed by a larger rise over the longer run -- could exacerbate the global imbalance and push prices further down.

 

OPEC members now face the difficult question of whether to try to prop up prices by cutting supply at the risk of hurting their revenue and market share -- and potentially their relationships with the unpredictable U.S. president.

 

"The onus is on everyone to manage their own interests but at the same time not poke the bear," said David Oxley, chief climate and commodities economist at Capital Economics. "That's an inherent tension weighing on the global market."

 

Some members believe if the Venezuelan administration changes regulations to make the oil industry attractive to American investors, the country could pump an extra 2 million barrels a day within one to three years, up from less than 1 million barrels a day now, Gulf OPEC delegates said.

 

Saudi Arabia for now is waiting it out, people familiar with the matter said. Its reasoning is it will take years to restore production in Venezuela, where American companies will want a legal framework and potential U.S. government guarantees before investing the billions of dollars needed to repair Venezuela's run-down infrastructure, the people said.

 

While Venezuela has vast oil reserves, its crude is a heavy, high-sulfur variety that is considered low quality and commercially unattractive.

 

Other Gulf members of OPEC believe Trump's plans could have a silver lining. If he disrupts the flow of Venezuelan crude to China, it would force that giant consumer to turn to the Gulf for more supplies, Gulf delegates said.

 

Even so, the U.S. play for Venezuela will complicate the group's effort to manage the market as vast reserves fall under U.S. control and out of OPEC's orbit, the delegates said.

 

According to analysts at JPMorgan, the combined oil reserves of Guyana, where large U.S. companies dominate the industry, Venezuela and American producers could give the U.S. sway over about 30% of the global total.

 

"This shift could give the U.S. greater influence over oil markets, potentially keeping oil prices within historically lower ranges, enhance energy security, and reshape the balance of power in international energy markets," the bank said in a recent report.

 

OPEC, along with allies including Russia, is already struggling to come up with a strategy to manage Trump's push for low oil prices. While the president has repeatedly called on the cartel to increase oil production, its members worry prices are already too low. At a meeting Sunday, OPEC along with Russia and other producers agreed to hit pause on any oil output increases for the first three months of this year.

 

A barrel of Brent, the global oil yardstick, is currently changing hands for around $63. Benchmark U.S. crude is hovering around $59 a barrel, both down around a fifth from a year ago.

 

Whatever happens with Venezuela's output, analysts agree that low oil prices will persist, straining the bottom lines and budgets of global producers.

 

A sustained drop below $50 a barrel -- the profitability threshold for many companies -- could cripple the U.S. shale industry, which has strongly supported Trump. Many U.S. drillers already are ignoring the president's exhortations to boost output, choosing instead to adhere to Wall Street's demands for strict capital discipline.

 

Saudi Arabia can pump crude oil at a cost of less than $10 a barrel, analysts estimate. But according to Capital Economics, the kingdom needs prices above $100 to bring its fiscal deficit down to zero.” [1]

 

1. Trump's Venezuela Oil Grab Worries OPEC. Kantchev, Georgi; Said, Summer.  Wall Street Journal, Eastern edition; New York, N.Y.. 12 Jan 2026: A1.  

Mokslo „Golumo efektas“: doktorantai patiria teritorinio elgesio pasekmes

„Apklausos respondentai visuose karjeros etapuose praneša apie kolegų teritorinį ir savininkišką elgesį, tačiau dažniausiai tai paveikia pradedančiuosius karjeros tyrėjus.

 

Beveik pusė apklausoje dalyvavusių mokslininkų patyrė teritorinį ir menkinantį kitų mokslininkų elgesį – dažniausiai doktorantūros studijų metu. Iš nukentėjusiųjų beveik pusė teigė, kad kaltininkas buvo žinomas tyrėjas, o trečdalis – kad tai buvo jų pačių vadovas.

 

Dauguma apklausos respondentų buvo ekologai, tačiau tyrimo organizatoriai įtaria, kad apklausos, skirtos kitoms disciplinoms, duotų panašius rezultatus.

 

Tyrime dokumentuojamas vartų saugotojo elgesys „kenkia karjerai, ypač pradedančiųjų karjeros ir marginalizuotų tyrėjų“, – sako pagrindinis autorius Jose Valdezas, Vokietijos integruotų biologinės įvairovės tyrimų centro Leipcige ekologas. „Labiausiai nerimą kėlė tai, kad beveik vienas iš penkių nukentėjusiųjų visiškai paliko akademinę ar mokslinę bendruomenę.“

 

Valdezas ir jo kolegos daugelio tyrėjų demonstruojamą savininkiškumą vadina „Golumo efektu“, pagal „Žiedų valdovo“ (1954–1955) veikėjo Golumo vardą, kurio vienintelis gyvenimo tikslas – sukaupti sau didelės galios objektą. Tyrimas šiandien buvo paskelbtas žurnale „One Earth“.

 

„Tai apčiuopiama tai, ką tikriausiai vienaip ar kitaip patyrė visi tyrėjai: kitų tyrėjų teritoriškumą ir baimę būti „apgauti“, – sako skaičiavimo socialinių mokslų specialistė Jana Lasser iš Graco universiteto Austrijoje, kuri kartu su „Tinklo prieš piktnaudžiavimą valdžia moksle“ įkūrėjais.

Neįvardytas pavojus

 

Tai, kad akademinės darbo vietos dažnai yra toksiška aplinka, vargu ar yra naujiena. Tačiau „nepaisant didėjančio dėmesio tokioms problemoms kaip patyčios, priekabiavimas ir psichinė sveikata akademinėje bendruomenėje“, – sako Valdezas, „daugelio šių problemų pagrindinė priežastis – toksiškas savininkiškumas ir vartų saugojimas – neturėjo pavadinimo ar oficialaus pripažinimo“. Štai Golumo efektas, kurį Valdezas apibrėžia kaip apimantį savininkišką elgesį, bandymus pakenkti kitiems ir pastangas apriboti prieigą prie duomenų, išteklių ar galimybių.

 

Valdezas ir jo kolegos savo apklausą išplatino per profesionalias gamtosaugos ir ekologijos draugijas bei socialinius tinklus. Siekdami sumažinti savęs atrankos šališkumą, jie ją pateikė kaip apklausą apie patirtį skirtinguose karjeros etapuose, neminėdami Golumo efekto, kol apklausa nebuvo pradėta. Apklausoje dalyvavo 563 atsakymai, atstovaujantys 64 tautybėms.

Pažįstamas monstras

 

Golumo efektas buvo dažnas: 44 % respondentų teigė, kad jį patyrė. Iš jų 18 % jį patyrė daug kartų. 46 % atvejų mokslininkai teigė, kad kaltininkas buvo žinomas tyrėjas, o 35 % – kad tai buvo jų vadovas.

 

Tarp tų, kurie patyrė Golumo efektą, 54 % teigė, kad tai įvyko doktorantūros studijų metu, 32 % – magistro studijų metu, 31 % – podoktorantūros tyrėjo metu ir 27 % – bakalauro studijų metu. Tačiau jį patyrė ir nepriklausomi tyrėjai, vyresnieji tyrėjai ir net profesoriai.

 

„Labiausiai stebinantis atradimas buvo didelis Golumo efekto poveikis karjeros trajektorijoms“, – sako Valdezas. Daugiau nei Du trečdaliai nukentėjusiųjų teigė, kad ši patirtis turėjo vidutinį arba didelį poveikį jų karjeros keliui, o apie 20 % dėl to visiškai paliko akademinę ar mokslinę bendruomenę.

 

Respondentai aprašė duomenų kaupimo, vadovų idėjų vagystės ir šmeižto konferencijose atvejus. „Bendradarbis „rezervavo“ svarbias tyrimų kryptis, – rašė vienas respondentas, – ir aktyviai slepia duomenis nuo visos mūsų tyrimų grupės“. Kitas rašė: „Man buvo pasakyta, kad negalėsiu nieko publikuoti, kol bendradarbis nepaskelbs savo tyrimo, kuris buvo rengiamas jau daugiau nei šešerius metus.“ Galios dinamika

 

„Golumo efekto pripažinimas padeda praplėsti pokalbį, pabrėžiant, kaip galios dinamika ir savininkiškas elgesys palaiko toksišką aplinką“, – sako Morteza Mahmoudi, nanomedicinos tyrėjas iš Mičigano valstijos universiteto East Lansing mieste, kuris buvo vienas iš Akademinės lygybės judėjimo įkūrėjų. Reformos, skirtos šiam elgesiui spręsti, galėtų būti veiksmingesnės nei pastangos, nukreiptos tik į atvirą patyčias, sako jis.

 

Mahmoudi ir Lasseris sutinka, kad rezultatus galima apibendrinti ir kitose srityse. Tačiau Lasseris pažymi, kad tyrimas gali netiksliai atspindėti Golumo efekto paplitimą, nes apklausos respondentai buvo atrinkti savarankiškai, o imties dydis buvo gana mažas.

 

Valdezo tyrimas yra asmeninis. Jis sako, kad Golumo efektą patyrė daug kartų – per savo doktorantūros studijas ir vėliau – jį vykdė vadovai, jo laboratorijos grupės nariai ir kiti. „Vienas iš mano darbų buvo beveik atmestas vien todėl, kad recenzentas manė, jog įsiterpiau į „jų“ temą“, – sako jis. „Ši patirtis privertė mane suabejoti, ar aš apskritai priklausau mokslui“, – tęsia jis, pridurdamas, kad svarstė galimybę pasitraukti. akademinėje bendruomenėje.

 

Tiems, kurie patiria Golumo efektą, Valdezas turi keletą patarimų: „Problema ne tu. Tai sugriuvusi kultūra, kuri klesti tyloje ir izoliacijoje.“ [1]

 

1. Nature 641, 1082-1083 (2025) 20 May, Julian Nowogrodzki

Science’s ‘Gollum effect’: PhDs bear brunt of territorial behaviour

“Survey respondents at all career stages report colleagues engaging in territorial and possessive behaviours — but early-career researchers are most often affected.

 

Almost half of the scientists who responded to a survey have experienced territorial and undermining behaviours from other scientists — most commonly during their PhD studies. Of those affected, nearly half said that the perpetrator was a high-profile researcher, and one-third said it was their own supervisor.

 

Most of the survey respondents were ecologists, but the study’s organizers suspect that surveys focusing on other disciplines would yield similar results.

 

The gatekeeping behaviours that the study documents “damage careers, particularly of early-career and marginalized researchers”, says lead author Jose Valdez, an ecologist at the German Centre for Integrative Biodiversity Research in Leipzig. “Most alarming was that nearly one in five of those affected left academia or science entirely.”

 

Valdez and his colleagues call the possessiveness shown by many researchers the ‘Gollum effect’, after the character Gollum in The Lord of the Rings (1954–55), whose one goal in life is to hoard an object of great power for himself. The study was published today in One Earth.

 

“It makes something tangible that all researchers probably have experienced one way or another: the territoriality of other researchers and fear of being ‘scooped’,” says computational social scientist Jana Lasser at the University of Graz in Austria, who co-founded the Network against Abuse of Power in Science.

Unnamed hazard

 

That academic workplaces are often toxic environments is hardly news. But “despite growing attention to issues such as bullying, harassment and mental health in academia”, Valdez says, “the root cause of many of these problems — the toxic possessiveness and gatekeeping — didn’t have a name or formal recognition”. Enter the Gollum effect, which Valdez defines as including possessive behaviours, attempts to undermine others and efforts to restrict access to data, resources or opportunities.

 

Valdez and his colleagues distributed their survey through professional conservation and ecology societies and social media. To reduce self-selection bias, they presented it as a survey about experiences at different career stages, not mentioning the Gollum effect until the survey was under way. The survey drew 563 responses, representing 64 nationalities.

Familiar monster

 

The Gollum effect was common: 44% of respondents said they had experienced it. Of these, 18% had experienced it many times. In 46% of cases, scientists said that the perpetrator was a high-profile researcher, and 35% said it was their supervisor.

 

Among those who experienced the Gollum effect, 54% said it happened during their PhD studies, 32% during their master’s studies, 31% as a postdoctoral researcher and 27% as an undergraduate. But independent researchers, senior researchers and even professors experienced it, too.

 

“The most surprising finding was the profound impact of the Gollum effect on career trajectories,” says Valdez. More than two-thirds of those affected said that the experience had had a moderate or large effect on their career path, and some 20% had left academia or science completely as a result.

 

Respondents described incidences of data hoarding, ideas theft by supervisors and defamation at conferences. “Collaborator has ‘reserved’ important research avenues,” wrote one respondent, “and is actively withholding data from our entire research group”. Another wrote, “I was told I wouldn’t be able to publish anything until the collaborator published their study, which has been in prep for over six years now.”

Power dynamics

 

“Recognizing the Gollum effect helps broaden the conversation by emphasizing how power dynamics and possessive behaviours sustain a toxic environment,” says Morteza Mahmoudi, a nanomedicine researcher at Michigan State University in East Lansing who co-founded the Academic Parity Movement. Reforms that address these behaviours could be more effective than efforts that target only overt bullying, he says.

 

Mahmoudi and Lasser agree that the results can be generalized to other fields. But Lasser notes that the study might not accurately capture the prevalence of the Gollum effect, because the survey respondents were self-selected and the sample size was fairly small.

 

For Valdez, the study is personal. He says he has experienced the Gollum effect many times — during his PhD and since — perpetrated by supervisors, members of his laboratory group and others. “One of my papers was almost rejected solely because a reviewer felt I had encroached on ‘their’ topic,” he says. “These experiences made me question whether I belonged in science at all,” he continues, adding that he considered leaving academia.

 

For those experiencing the Gollum effect, Valdez has some advice: “The problem isn’t you. It’s a broken culture that thrives in silence and isolation.”” [1]

 

1. Nature 641, 1082-1083 (2025) 20 May, Julian Nowogrodzki

Liepiau DI sukurti man baltymą. Štai ką jis sukūrė

„Nauji dirbtinio intelekto modeliai leidžia vartotojams kurti, manipuliuoti ir mokytis apie biologiją, naudojant įprastą kalbą.

 

„Neseniai panaudojau DI, kad sukurčiau siaubingą baltymą. Vadovaudamasis nuosekliomis instrukcijomis, sukūriau elementarų baltymų kalbos modelį (PLM) – dirbtinio intelekto (DI) įrankį, kuris vietoj žodžių išraižo baltymų sekas. Su keliomis nukopijuoto ir įklijuoto kodo eilutėmis paprašiau modelio sugalvoti trumpą aminorūgščių seką.

 

Kas toliau laukia „AlphaFold“ ir DI baltymų lankstymo revoliucijos

 

Nežinojau, koks blogas mano baltymas, kol nepaklausiau „AlphaFold“, „Google DeepMind“ baltymų struktūros prognozuotojo, kaip jis atrodo. Numatoma struktūra turėjo spirales, kilpas ir kitus realius elementus. Tačiau „AlphaFold“ labai mažai pasitikėjo savo prognoze – tai ženklas, kad mano molekulė tikriausiai negalėtų būti pagaminta ląstelėse laboratorijoje, jau nekalbant apie ką nors naudingo.

 

Dabar tokie skaičiuojamosios biologijos mėgėjai kaip aš turi naują viltį. Mokslininkai kuria naujos kartos biologinius dirbtinio intelekto įrankius, kurie gauna instrukcijas paprasta kalba ir paverčia jas baltymais ir kitomis molekulėmis, įskaitant potencialius vaistus. Šie modeliai taip pat leidžia tyrėjams „kalbėtis“ su ląstelėmis įprasta anglų kalba, kad iššifruotų jų vidinį veikimą ir gautų kitų biologinių įžvalgų.

 

Tai naujausias bio-DI revoliucijos įvykių posūkis, kuris transformuoja tokias sritis kaip baltymų dizainas ir struktūrinė biologija. PLM ir kiti DI įrankiai leidžia mokslininkams gana lengvai kurti tokias molekules kaip fermentai ir antikūnai. Tačiau norint kuo geriau išnaudoti šias priemones, paprastai reikia nemažai patirties.

 

ChatGPT mokslui: kaip kalbėtis su savo duomenimis

 

Modeliai, leidžiantys vartotojams tyrinėti biologiją naudojant paprastą tekstą, galėtų sumažinti kliūtį prisijungti prie bio-DI revoliucijos, teigia mokslininkai. Šie DI taip pat turi potencialą suteikti didesnę kontrolę gaunamiems projektams ir kitiems rezultatams.

 

„Būtų naudinga turėti galimybę tiksliai nurodyti, ko norime, ir sukurti baltymą su šiomis savybėmis“, – sako Mohammedas AlQuraishi, skaičiuojamosios biologijos specialistas Kolumbijos universitete Niujorke. Teksto pavertimas baltymu

 

Praėjusį mėnesį komanda, vadovaujama mašininio mokymosi mokslininko iš Westlake universiteto Hangdžou mieste, Kinijoje, Fajie Yuano, parodė, kad jo komandos sukurtas teksto pavertimo baltymu modelis gali sukurti funkcinius baltymus, įskaitant laboratoriškai išbandytus fermentus ir fluorescencinius baltymus, kurie yra originalūs savo dizainu ir nepanašūs į esamas molekules. „Esame pirmieji, sukūrę funkcinį fermentą naudodami tik tekstą“, – sako Yuanas. „Tai lyg mokslinė fantastika.“

 

Baltymo molekulinis modelis, sukurtas paprasto teksto biologinio DI įrankiu.

 

„Siaubingas baltymas“: reporteris Ewenas Callaway sukūrė baltymų kalbos modelį (PLM) ir panaudojo pagrindines kodo instrukcijas šiam baltymui sukurti. Šaltinis: „Google DeepMind“/EMBL-EBI (CC-BY-4.0)

 

Modelis, vadinamas „Pinal“, yra vienas iš kelių baltymų projektavimo DI, kuriuos galima valdyti įprasta kalba – priešingai nei baltymų seka ar struktūros valdomos specifikacijos, būdingos daugumai tokių DI.

 

„Tačiau šių bio-DI modelių kūrimas dar tik žengia žingsnį į priekį“, – sako Anthony Gitteris, skaičiavimo biologas iš Viskonsino-Madisono universiteto. „Manau, kad tai yra didelės rizikos, bet didelės naudos sritis“, – sako jis.

 

Kaip kalbėti molekule

 

Biologinio DI modelių mokymas bendrauti anglų kalba (ar bet kuria kita kalba) paprastai apima jų supažindinimą su biologinių duomenų tekstiniais aprašymais. Yuano komanda apmokė Pinalą naudodama 1,7 milijardo skirtingų baltymų struktūrų, funkcijų ir kitų savybių aprašymų. Po papildomų mokymų modelis galėjo, reaguodamas į užduotį, sukurti šimtus sekų dizainų1. Modelis turi žiniatinklio sąsają, o jo kodas ir parametrai, reikalingi modeliui paleisti, yra laisvai prieinami.

 

DI baltymų prognozavimo įrankis „AlphaFold3“ dabar yra atviresnis

 

Viena iš tyrėjų naudotų užduočių buvo „Prašome sukurti baltymą, kuris yra alkoholio dehidrogenazė“, reiškiantis alkoholį metabolizuojantį fermentą. Tada Yuanas ir jo kolegos naudojo kitas skaičiavimo priemones, kad nustatytų perspektyviausius dizainus, ir, bendradarbiaudami su biologu bendradarbiu, išbandė jų fermentinį aktyvumą.

 

Du iš aštuonių alkoholio dehidrogenazės modelių sėkmingai katalizavo alkoholio skaidymą, nors ir daug mažiau efektyviai nei natūralūs fermentai. Yuanas teigia, kad jo komanda taip pat sukūrė veikiančius žaliai fluorescencinius baltymus (GFP) ir plastiką skaidančius fermentus, kurių visų seka skiriasi nuo natūralių pavyzdžių.

 

Kelios kitos komandos sukūrė panašius dirbtinio intelekto modelius, įskaitant vieną, vadinamą ESM-3, kurį galima iškviesti naudojant raktinius žodžius, taip pat naudojant baltymų sekas ir struktūras. Startuolis, vadinamas 310.ai, sukūrė patentuotą įrankį, vadinamą MP4, kuris sukūrė daugybę baltymų iš teksto įvesčių2, įskaitant kelis, kurie laboratorijoje gali jungtis prie ląstelių energijos šaltinio ATP. Bendrovė naudoja šį modelį kurdama baltymus, kurie veikia kaip GLP-1 vaistai – populiarūs nutukimo gydymo būdai, teigia jos „Discovery“ lyderis Timothy Riley.

Vienas iš tokių modelių kaip „310.ai“ iššūkių yra sugalvoti tinkamas teksto instrukcijas, kurių DI turėtų laikytis, sako bendrovės įkūrėja Kathy Wei, nors dideli kalbos modeliai (LLM) gali padėti sukurti sėkmingas užduotis. Ji tai lygina su vaizdus generuojančių DI, tokių kaip „Dall-E“, ankstyvosiomis dienomis: kai kurios užduotys buvo produktyvesnės nei kitos, o modelių sunkumai pavaizduoti, pavyzdžiui, žmogaus rankas dažnai išduodavo. Vietoj keistai atrodančių rankų MP4 kartais gali išspjauti baltymus su pasikartojančiomis sekomis, sako Wei.

 

Vaistų dizainas

 

Baltymų dizainas nėra vienintelė sritis, kurioje mokslininkai naudoja DI su žodžiais. Daugybė modelių siekia taikyti panašų požiūrį kuriant chemines medžiagas.

 

Svarbus „AlphaFold“ atnaujinimas suteikia postūmį vaistų atradimui

 

Pavyzdžiui, praėjusiais metais Gitterio komanda išleido modelį, kuris projektuoja mažas molekules reaguodama į teksto užduotis, ir parodė, kad gali sukurti vaistus primenančius žinomų baltymų taikinių inhibitorius3. Nors šie dizainai nebuvo išbandyti laboratorijoje, vaistų kūrimo srityje plačiai naudojami skaičiavimo „sujungimo“ įrankiai rodo, kad kai kurie iš jų yra perspektyvūs.

 

Mokslininkai taip pat naudoja biologinius dirbtinius intelektus, kad „kalbėtųsi“ su ląstelėmis. Pastangos sekvenuoti visas RNR molekules atskirose ląstelėse tapo pagrindine ląstelių biologijos technika, atskleidžiančia nepakankamai įvertintą įvairovę. Tačiau norint suprasti šiuos daug duomenų reikalaujančius eksperimentus, paprastai reikia intensyvaus biologų ir duomenų mokslininkų bendradarbiavimo, sako Christophas Bockas, skaičiavimo biologas iš Vienos medicinos universiteto.

 

Kaip trumpesnį sprendimą, jo laboratorija sukūrė dirbtinio intelekto pokalbių robotą, vadinamą „CellWhisperer4“. Jis gali gauti paprastas anglų kalbos instrukcijas – pavyzdžiui, „išsamiai aprašyti šias ląsteles“ – ir pateikti santrauką paprastu tekstu arba leisti vartotojams peržiūrėti įvairių ląstelių populiacijos vizualinį vaizdą „lasouojant“ dominančias ląsteles. „Jis tampa nusikaltimo partneriu jūsų duomenų analizėje“, – sako Bockas.

 

Kas toliau laukia „AlphaFold“ ir dirbtinio intelekto baltymų lankstymo revoliucijos?

Ląstelių sakiniai

 

Kitas bandymas paverčia vienos ląstelės sekoskaitos duomenų rinkinius ilgais ląstelių ekspresuojamų genų sąrašais ir įkelia šiuos „ląstelių sakinius“ į esamą LLM. Gautas modelis, vadinamas Cell2Sentence, gali paimti vienos ląstelės duomenų rinkinį ir aprašyti charakteristikas5, pvz., imuninės ląstelės tipą, paprasta anglų kalba.

 

Kadangi modelis buvo apmokytas naudojant biologinę literatūrą ir duomenis, jis gali sujungti taškus ir atlikti tokius veiksmus kaip numatyti, kaip vėžio imunoterapijos vaistas pakeis ląstelės ekspresuojamus genus. „Mūsų modelis gali versti iš biologinės kalbos į žmonių kalbą“, – sako Davidas van Dijkas, skaičiavimo biologas iš Jeilio universiteto Niu Heivene, Konektikuto valstijoje, kuris vadovavo darbui kartu su „Google Research“ ir kitų įstaigų mokslininkais.

 

Baltymo molekulinis modelis, sukurtas paprasto teksto biologinio dirbtinio intelekto įrankio.

 

Antras Eweno bandymas sukurti baltymą, šį kartą naudojant paprasto teksto instrukcijas, duotas biologiniam DI modeliui. Nuotrauka: „Google DeepMind“/EMBL-EBI (CC-BY-4.0)

 

Gitteris periodiškai vertina standartinių teisės vadybos sistemų (LLM) gebėjimą kurti baltymus, tačiau rezultatai kol kas jo nesužavėjo. Jis paprašė „Amazon“ apsipirkimo asistento, teisės vadybos sistemos (LLM), Rufuso, sukurti GFP, tačiau rezultate trūko pagrindinės natūralių GFP struktūrinės savybės.

 

Dabartinis kalbančių biologinių DI srautas yra „šiek tiek gudrus“, – sako AlQuraishi. Tačiau idėja papildyti LLM moksliniais duomenimis, tokiais kaip baltymų sekos ir cheminės struktūros, yra daug žadanti, priduria jis. „Nenustebčiau, jei kai kurios didelės technologijų įmonės jau dirba ties tuo“, – sako jis.

 

Triukas ar ne, jie pakeitė mano paties projektą. Po nesėkmingo bandymo nuėjau į „Pinal“ žiniatinklio sąsają ir įvedžiau „Pagaminkite man gerą baltymą“. Kai įdiegiau seką į „AlphaFold“, ji pateikė labai patikimą prognozę. Modelis priminė spagečių ir fusilių mišinį, todėl nesitikėčiau, kad jis sukels reakciją, ės plastiką ar ką nors panašaus. Bet tai pradžia.“ [1]

 

1. Nature 641, 1079-1080 (2025) 20 May By Ewen Callaway

 

I told AI to make me a protein. Here’s what it came up with

“A new crop of artificial-intelligence models allows users to create, manipulate and learn about biology using ordinary language.

 

“I recently used AI to design an awful protein. Following step-by-step instructions, I made a rudimentary protein language model (PLM) — an artificial intelligence (AI) tool that churns out protein sequences instead of words. With a couple of lines of copied-and-pasted code, I asked the model to dream up a short sequence of amino acids.

 

What’s next for AlphaFold and the AI protein-folding revolution

 

I didn’t know how bad my protein was until I asked AlphaFold, Google DeepMind’s protein-structure predictor, what it looked like. The predicted structure had helices, loops and other realistic elements. But AlphaFold had very low confidence in its prediction — a sign that my molecule probably couldn’t be made in cells in the laboratory, let alone do anything useful.

 

Now, dabblers in computational biology like me have fresh hope. Scientists are developing a new generation of biological AI tools that take instructions in plain language and turn them into proteins and other molecules, including potential drugs. The models also allow researchers to ‘talk’ to cells in ordinary English to decipher their inner workings and glean other biological insights.

 

It is the latest turn of events in the bio-AI revolution that is transforming fields such as protein design and structural biology. PLMs and other AI tools enable scientists to design molecules such as enzymes and antibodies with relative ease. But getting the most out of these tools typically requires considerable expertise.

 

ChatGPT for science: how to talk to your data

 

Models that allow users to interrogate biology using plain text could lower the barrier to joining the bio-AI revolution, say scientists. These AIs also have the potential to enable greater control over the resulting designs and other outputs.

 

“It would be useful to be able to specify precisely what we want, and have a protein be designed with those features,” says Mohammed AlQuraishi, a computational biologist at Columbia University in New York City.

Text-to-protein

 

Last month, a team led by Fajie Yuan, a machine-learning scientist at Westlake University in Hangzhou, China, showed that a text-to-protein model his team developed can design functional proteins, including lab-tested enzymes and fluorescent proteins, that are original in their designs and not similar to existing molecules. “We are the first to design a functional enzyme using only text,” Yuan says. “It’s just like science fiction.”

A molecular model of an protein generated by a plain text biological AI tool.

 

‘An awful protein’: reporter Ewen Callaway created a protein language model (PLM) and used basic code instructions to generate this protein.Credit: Google DeepMind/EMBL-EBI (CC-BY-4.0)

 

The model, called Pinal, is one of several protein-design AIs that can be directed with ordinary language — as opposed to a protein sequence or the structure-guided specifications typical of most such AIs.

 

But it’s early days for these bio-AI models, says Anthony Gitter, a computational biologist at the University of Wisconsin–Madison. “I see it as a high-risk, high-reward area,” he says.

How to speak molecule

 

Teaching biological AI models to communicate in English (or any language) typically involves exposing them to text descriptions of biological data. Yuan’s team trained Pinal using 1.7 billion descriptions of the structures, functions and other characteristics of different proteins. After some extra training, the model could take a prompt and churn out hundreds of sequence designs1. The model has a web interface, and its code and parameters needed to run the model are freely available.

 

AI protein-prediction tool AlphaFold3 is now more open

 

One prompt that the researchers used was ‘Please design a protein that is an alcohol dehydrogenase’, referring to an alcohol-metabolizing enzyme. Yuan and his colleagues then used other computational tools to identify the most promising designs and, working with a biologist collaborator, tested their enzymatic activity.

 

Two of the eight alcohol dehydrogenase designs successfully catalysed the breakdown of alcohol, albeit much less efficiently than natural enzymes. Yuan says his team has also designed working green fluorescent proteins (GFPs) and plastic-degrading enzymes, all dissimilar in sequence to natural examples.

 

Several other teams have developed similar AI models, including one called ESM-3 that can be prompted with keywords, as well as with protein sequences and structures. A start-up firm called 310.ai has developed a proprietary tool called MP4 that designed a slew of proteins from text inputs2, including several that, in the lab, can bind to the cellular energy source ATP. The company is using the model to design proteins that act like GLP-1 drugs, the blockbuster obesity treatments, says its vice-president of discovery Timothy Riley.

One challenge for models such as 310.ai’s is coming up with the right text instructions for an AI to follow, says company co-founder Kathy Wei, although large language models (LLMs) can help to craft successful prompts. She likens it to the early days of image-generating AIs such as Dall-E: some prompts were more fruitful than others, and the models’ struggles to depict human hands, for example, were often a giveaway. Instead of odd-looking hands, MP4 can sometimes spew out proteins with repetitive sequences, says Wei.

Drug design

 

Protein design isn’t the only field in which scientists are wielding AIs with words. A slew of models aims to apply a similar approach to designing chemicals.

 

Major AlphaFold upgrade offers boost for drug discovery

 

Last year, for instance, Gitter’s team released a model that designs small molecules in response to text prompts, and showed that it could design drug-like inhibitors of known protein targets3. The designs haven’t been lab-tested, but computational ‘docking’ tools widely used in drug discovery suggested that some were promising.

 

Scientists are also using bio-AIs to ‘talk’ to cells. Efforts to sequence all the RNA molecules in individual cells have become a bedrock technique in cell biology, revealing unappreciated diversity. But making sense of these data-heavy experiments usually requires intense collaboration between biologists and data scientists, says Christoph Bock, a computational biologist at the Medical University of Vienna.

 

As a shortcut, his lab developed an AI chatbot called CellWhisperer4. It can take plain English instructions — ‘describe these cells in detail’, for example — and return a summary in plain text, or allow users to interrogate a visual representation of a population of diverse cells by ‘lassoing’ those of interest. “It becomes a partner in crime in your data analysis,” Bock says.

 

What’s next for AlphaFold and the AI protein-folding revolution

Cell sentences

 

Another effort translates single-cell sequencing data sets into long lists of the genes that the cells express, and shoves these ‘cell sentences’ into an existing LLM. The resulting model, called Cell2Sentence, can take a single-cell data set and describe characteristics5, such as the kind of immune cell represented, in plain English.

 

And because the model was trained on biological literature and data, it can connect the dots and do things such as predicting how a cancer immunotherapy drug will alter the genes a cell expresses. “Our model can translate between biological language and human language,” says David van Dijk, a computational biologist at Yale University in New Haven, Connecticut, who led the work together with scientists at Google Research and elsewhere.

A molecular model of an protein generated by a plain text biological AI tool.

 

Ewen’s second attempt to create a protein, this time using plain text instructions given to a biological AI model.Credit: Google DeepMind/EMBL-EBI (CC-BY-4.0)

 

Gitter periodically assesses the ability of off-the-shelf LLMs to design proteins, but hasn’t yet been impressed by the results. He asked Amazon’s shopping assistant LLM, called Rufus, to come up with a GFP, but the result lacked a key structural feature of natural GFPs.

 

The current slew of talking bio-AIs is “a little gimmicky”, says AlQuraishi. But the idea of augmenting LLMs with scientific data, such as protein sequences and chemical structures, is a promising one, he adds. “I wouldn’t be surprised if some of the large tech companies are already working on this,” he says.

 

Gimmick or not, they have made a difference to my own project. After my failed attempt, I navigated to Pinal’s web interface and typed in “Make me a good protein”. When I plugged the sequence into AlphaFold, it returned a highly confident prediction. The model resembled a mishmash between spaghetti and fusilli, so I wouldn’t expect it to catalyse a reaction, eat plastic or do much of anything. But it’s a start.” [1]

 

1. Nature 641, 1079-1080 (2025) 20 May By Ewen Callaway

 

Autonominiai automobiliai žengia į Europą. Lenkija tik pradeda vytis

„Lenkija pradės bandyti automatizuotus automobilius savo keliuose su vėlavimu. Europa jau mus palieka.

 

Nors ir vėluodama, Lenkija pagaliau gali prisijungti prie, automatizuotą mobilumą kuriančių, šalių. Kelių eismo įstatymo pataisa, kurią prezidentas pasirašė praėjusių metų antroje pusėje, skirta sudaryti sąlygas pažangių vairuotojo pagalbos sistemų bandymui viešuosiuose keliuose.

 

Pasak Automobilių dalių platintojų ir gamintojų asociacijos (SDCM), sprendimas buvo priimtas paskutinę akimirką, nes kiekvienas vėlavimo mėnuo reiškė mokslinių tyrimų ir plėtros projektų bei potencialių investicijų praradimą, nes automatizavimo sistemas kuriančios įmonės – automobilių gamintojai, dalių gamintojai, inžinerijos komandos, universitetai ir tyrimų centrai – turėjo perkelti savo projektus į kitas šalis.

 

„Šiandien traukinys vis dar ranka pasiekiamas, bet Europa greitėja. „Čekija, Vokietija ir kitos kaimynės nelaukia, jos yra keliais vežimais priekyje“, – sako SDCM prezidentas Tomasz Bęben.

 

 

Vokietija ir Čekija leidžia 3 lygio autonominius automobilius. Lenkija vis dar laukia.

 

 

Nuo 2026 m. sausio 1 d. Čekija oficialiai leido naudoti sąlyginio vairavimo automatizavimo funkcijas – SAE 3 lygį. Tai pirmasis etapas, kai automobilis tam tikromis sąlygomis, pvz., greitkelyje, gali visiškai kontroliuoti vairavimą, ir priimti sudėtingesnius sprendimus, pavyzdžiui, išvengti kliūčių. Vairuotojas gali nuimti rankas nuo vairo, nors jis turi būti pasiruošęs perimti valdymą, kai sistema to paprašys.

 

 

Vokietija jau anksčiau leido 3 lygio autonominį vairavimą viešuosiuose keliuose, o Didžioji Britanija taip pat planavo tai padaryti.“ Autonominių taksi pristatymas Londone numatomas vėliau šiais metais. Prancūzija, Ispanija ir Vengrija sukūrė teisines sistemas testavimui ir įgyvendinimui, o kitos šalys pereina nuo bandomojo etapo prie praktinio naujųjų technologijų taikymo.

 

 

Tarp lyderių yra JAV, kur autonominiai taksi jau naudojami komerciniais tikslais tokiuose miestuose kaip San Franciskas, Los Andželas ir Finiksas, taip pat Kinija, kur autonominių automobilių diegimas vyksta sparčiau nei bet kur kitur pasaulyje, o robotakčiai tampa įprastu reiškiniu didžiuosiuose miestuose.

 

Lenkija tik dabar pradeda apibrėžti automatizuotas transporto priemones, apibrėždama kelių bandymų sąlygas, atsakomybės klausimus ir administracinę priežiūrą. Tačiau visų reikalingų klausimų reglamentavimas užtruks. „Ar bandymai iš tikrųjų prasidės 2026 m., priklauso nuo šio etapo užbaigimo“, – pabrėžia SDCM (Lenkijos automobilių gamintojų asociacija).

 

Tačiau realybė jau aplenkė reglamentus. Prieš pusantrų metų internete pasirodė vaizdo įrašas, kuriame matyti moteris, mieganti prie „Tesla Model 3“ vairo, važiuojanti autopilotu S5 greitkeliu tarp Poznanės ir Bydgoščiaus, nereaguojanti į kitų ją lenkiančių vairuotojų signalus.

 

Automobilių inžinierių draugija (SAE), nustatanti pramonės standartus, apibrėžė autonominio vairavimo klasifikavimo lygius skalėje nuo 0 iki 5. 0 lygyje vairuotojas pats atlieka visas užduotis, o 1 lygyje jam padeda sistemos, skirtos palengvinti vairavimą, pavyzdžiui, pastovaus greičio palaikymo sistema, palaikanti nustatytą greitį. 2 lygyje automatizavimas jau iš dalies palengvina vairuotojo darbą, pavyzdžiui, pritaikant prisitaikančią pastovaus greičio palaikymo sistemą, kuri koreguoja greitį pagal priekyje važiuojančias transporto priemones, arba eismo juostos laikymosi pagalbos sistemą.

 

Kitas lygis yra pusės žingsnio – 2+ lygis, jau populiarus brangesniuose automobiliuose, aukštesnio lygio dalinis automatizavimas integruoja įvairias pažangias vairuotojo pagalbos sistemas (ADAS). Dėl tokių jutiklių kaip kameros ir radarai vairuotojui nereikia pasikliauti vien regėjimu ir refleksais, nes juos palaiko elektronika, pavyzdžiui, avarinio stabdymo sistema. Vienas iš ADAS elementų yra adaptyvūs priekiniai žibintai, kurie naudoja kamerą, kad sureguliuotų šviesos spindulį pagal aptiktas transporto priemones ir neakintų artėjančių vairuotojų.

 

Minėtas 3 lygis, šiuo metu aukščiausias automatizavimo lygis, komerciškai prieinamas pasirinktuose automobilių modeliuose Europos rinkoje, yra prieš aukštą automatizavimą. 4 lygyje automobilis gali važiuoti visiškai autonomiškai, pavyzdžiui, miesto teritorijose nedideliu greičiu. Vairuotojo įsikišimo nereikia, tačiau gali prireikti pagalbos sunkesnėmis aplinkybėmis, pavyzdžiui, esant nepalankiam orui. Kita vertus, 5 lygis yra visiškai automatizuotas ir vairuojamas be vairuotojo: automobiliui nereikia vairo, akceleratoriaus ir stabdžių pedalų.

 

Autonominiai sunkvežimiai pakeis darbo rinką. Milijonai vairuotojų pavojuje.

 

Plačiai diegiant dirbtinį intelektą, vairavimo automatizavimas paspartės. Jis taip pat bus plačiai taikomas sunkvežimiuose. Autonominiai sunkvežimiai – šiandieninės technologijos leidžia jiems visapusiškai veikti – padės sutaupyti išlaidų, sumažinti išmetamųjų teršalų kiekį ir padidinti kelių eismo saugumą. Tačiau transporto automatizavimas gali turėti ir neigiamų pasekmių.

 

Remiantis ataskaita, trys pasaulinės kelių transporto organizacijos: Europos automobilių gamintojų asociacija (ACEA), Tarptautinė transporto darbuotojų federacija ir Tarptautinė kelių transporto sąjunga (IRU), teigia, kad autonominės transporto priemonės iki 2030 m. galėtų sumažinti vairuotojų paklausą Europoje ir JAV net 50–70 %. Dėl to iki 4,4 mln. iš dabartinių 6,4 mln. darbo vietų kelių transporto sektoriuje gali tapti nereikalingos.

 

Lenkijoje autonominio mikroautobuso bandymai jau buvo atlikti kelis kartus, tačiau tik ne viešuosiuose keliuose. Glivicuose įsikūrusio startuolio „Blees“ sukonstruota transporto priemonė vežė keleivius kelių kilometrų maršrutu poilsio zonoje Katovicuose ir Osobowice kapinėse Vroclave. Panašūs bandymai buvo atlikti ir Gdanske.

 

Šie autonominių autobusų bandymai, net ir atsižvelgiant į tolimą jų įdiegimo įprastame viešajame transporte perspektyvą, pasirodė esąs patrauklus rinkodaros žingsnis vietos valdžios institucijoms. Po bandymų Gdanske miesto atstovai buvo pakviesti į daugybę susitikimų, kuriuose papasakojo apie savo pradinę patirtį ir projektus, susijusius su autonominėmis transporto priemonėmis, tapdami šios srities ekspertais tarp vietos valdžios pareigūnų.

 

Panašus pavyzdys yra iš šiaurės Šveicarijos, kur autonominė transporto priemonė vežė turistus iš Noihauzeno prie Reino krioklio centro iki Reino krioklio – didžiausio krioklio Europoje pagal vandens srautą ir tapo antra pagal dydį turistų traukos vieta regione.“