Технический контекст
Я посмотрел, что именно DeepMind и Google вынесли по геномике на I/O 2026, и тут главный сюжет не в новом «магическом» релизе AlphaFold. Смысл в другом: они собирают рабочий контур, где AI automation помогает не на одном шаге, а по всей научной цепочке.
В центре этого контура стоит Gemini for Science. Это не отдельная модель для биологии, а скорее надстройка для исследовательской рутины: читать статьи, превращать идеи в код, собирать гипотезы и не тонуть в ручной возне между инструментами.
Дальше интереснее. В Science Skills Google зашил доступ к 30+ научным базам и сервисам, включая UniProt, AlphaFold Database, InterPro и AlphaGenome API. Вот здесь я уже остановился: это выглядит как переход от «модель что-то предсказала» к «агент реально тащит кусок пайплайна».
Отдельного нового AlphaFold, судя по доступным данным, не показали. Зато AlphaFold Database и AlphaGenome API подтянули ближе к общей научной среде, и это меняет акцент: меньше разговоров про одну структуру белка, больше про связку геном, функция, структура и дальнейшая проверка гипотез.
На фоне этого Gemini 3.5 Flash тоже играет роль, хоть он и не «геномная» модель. Если мне нужно быстро собрать bioinformatics-скрипт, автоматизировать анализ или оркестрировать многошаговую задачу, такой агентный coding-слой полезнее, чем еще один красивый демо-релиз.
Влияние на бизнес и автоматизацию
Я вижу тут три практических эффекта. Первый: биотех-команды смогут быстрее собирать внутренние исследовательские copilots для структурной биоинформатики и анализа геномных данных. Второй: стоимость ошибки в ручной склейке пайплайнов снижается, если AI integration сделана нормально. Третий: выигрывают те, у кого уже есть данные и узкие задачи, а не те, кто ждет универсальную кнопку «открыть лекарство».
Проиграют, как обычно, команды с хаосом в данных и без внятной AI architecture. Если поверх бардака натянуть агента, он просто начнет быстрее производить бардак.
Мы в Nahornyi AI Lab решаем для клиентов ровно эту неприятную часть: как превратить шум из API, моделей и внутренних данных в рабочую систему, а не в еще одну демку. Если у вас в R&D или knowledge workflows уже копится ручная рутина, давайте посмотрим, где здесь уместна AI implementation и как собрать решение без лишнего театра вокруг модных анонсов.