Итоги хакатона Built with Claude: Life Sciences — пять победителей от Anthropic
Компания Anthropic подвела итоги удалённого хакатона Built with Claude: Life Sciences, который длился неделю. Участники из разных стран решали задачи биологии и медицины с помощью модели Claude. 17 июля жюри назвало пять лучших проектов — от отсева мутаций при детском раке мозга до агента, оживляющего заброшенный научный код. Событие важно для тех, кто разрабатывает ИИ-инструменты в науке: победители показали, как делать системы, которым можно доверять.
Хакатон прошёл в удалённом формате при поддержке института Гладстона и площадки Cerebral Valley. Участники работали с Claude Code и научной версией Claude. Главная общая черта всех пяти проектов-победителей — осторожный подход ИИ: модель просеивает варианты, проверяет себя и признаётся, где уверенности нет, вместо красивых пустых ответов.
Пять победителей хакатона Built with Claude: Life Sciences
NCypher отсеивает подозрительные мутации
Фейт Огундиму из Дублина взялась за диффузную срединную глиому — опухоль ствола мозга, от которой почти нет спасения. Около 90% детей умирают в течение двух лет, а первый системный препарат, одобренный в 2025 году, не вылечивает. Поломки находятся в участках ДНК между генами, где предсказать эффект мутации труднее всего.
NCypher не угадывает, «плохая» мутация или нет, а оставляет короткий список из тысяч изменений — только те, за которые говорят сразу несколько признаков. На выборке из 10 869 мутаций инструмент честно сообщил, что искомые поломки не запускают главные усилители роста опухоли, и подсветил ген NPAS3. Каждый вывод перепроверял второй ИИ-агент-скептик. Код: faith-ogun/ncypher.
Extremolith закаляет любой фермент
Джеймин Патель из Беркли обучил модель, переделывающую ферменты под жар, кислоту и соль, сохраняя их функцию. Модель учится на бактериях, живущих в экстремальных условиях, и переносит их устойчивость на нужный фермент. Самой трудной частью была очистка данных из нескольких научных баз. По оценке автора, задача на полгода–год в лаборатории уместилась в пять дней. Код: jayman1466/Extremophilic-Protein-Translator.
Lazarus воскрешает мёртвый код
Дин Шерри из Йоханнесбурга создал агента, который по ссылке на заброшенный проект на GitHub доводит его до рабочего состояния. Агент читает код и статью, придумывает критерий успеха и крутит цикл «собрать → запустить → починить» в песочнице. На шести проектах он нашёл баг возрастом 15 лет и включил работу на видеокарте. На 20 случайных инструментов сам запускался лишь каждый седьмой, остальные оживил Lazarus. Ставится командой pip install lazarus-bio. Код: DoctorDean/lazarus.
Provinans сшивает архивы онкологии
Ширин Ли из Торонто сделала инструмент для сведения старых медицинских данных в единую таблицу. После смены правил стадии рака эндометрия в 2023 году до 28% пациентов формально оказались в другой стадии. Provinans разбирается в отраслевых правилах и подсвечивает места для решения человека, с прослеживаемостью каждой склейки. Демо: reversely-provinans.hf.space.
Trialign подбирает клинические испытания
Джулс Пак и Нил Ванг получили отдельный приз института Гладстона за помощника подбора онкоиспытаний. Пользователь вставляет выписку или подключает карту — Claude собирает профиль и сверяет с набором. Главная находка — учёт времени: планируемое лечение может закрыть доступ к испытаниям. Из рассматриваемых до первой дозы не доходят ~76%. Код: itsjoopark/trial-ai-platform.
Главный урок для создателей ИИ-инструментов
Все пять проектов собраны по одному чертежу: рядом с результатом ИИ идёт проверка — второй агент, честный тест или видимая цепочка рассуждений. Это отделяет демку от рабочего инструмента. Практический вывод прост: закладывайте в проект и «мозг», и «контролёра». Несколько команд сжали работу на месяцы до дней. Помимо пятёрки призёров за неделю собрали десятки других проектов на стыке ИИ и биологии.
Итог хакатона показал, что применение Claude в науке эффективно, когда модель действует как осторожный помощник с встроенным контролем. Такие решения ускоряют исследования и снижают риск ошибок там, где цена неточности высока.