Naukowcy opracowali TaxDistill - metodę, która wykorzystuje destylację wiedzy z zaawansowanych modeli AI do dokładniejszej klasyfikacji mikroorganizmów w próbkach DNA. System czerpie informacje z dużych modeli fundamentacyjnych trenowanych na genomowych zbiorach danych, a następnie kompresuje tę wiedzę do bardziej efektywnych modeli zdolnych do szybszej i tańszej analizy. W praktyce oznacza to, że laboratorium może precyzyjniej zidentyfikować, które mikroby znajdują się w danej próbce, bez konieczności uruchamiania ogromnych modeli obliczeniowych.
Problem, który rozwiązuje TaxDistill, dotyka głównie dziedzin takich jak badania microbiomów człowieka czy diagnostyka chorób zakaźnych. Gdy naukowcy sekwencjonują DNA z próbki zawierającej tysiące gatunków bakterii i wirusów jednocześnie - czyli mają do czynienia z metagenomem - potrzebują szybkiego i niezawodnego sposobu na to, by przypisać każdy fragment DNA do odpowiedniego organizmu. Do tej pory wymagało to albo zasobochłonnych obliczeniowo analiz, albo mniej dokładnych szybkich metod. Destylacja wiedzy pozwala na kompromis - modele nauczą się wzorców rozpoznawania genów od swoich dużych poprzedników, ale będą mogły działać na zwykłych komputerach.
Praktyczne znaczenie jest duże zarówno dla badań naukowych, jak i diagnostyki medycznej. Przyspieszenie analizy taksonomicznej mogłoby skrócić czas oczekiwania na wyniki testów identyfikujących opornościowe patogeny, a obniżenie kosztów obliczeniowych uczyniłoby zaawansowaną metagenomikę dostępną dla większej liczby laboratoriów. TaxDistill wpisuje się w szerszy trend wykorzystywania dużych modeli fundamentacyjnych jako narzędzi szkoleniowych dla specjalistycznych systemów AI, otwierając nowe możliwości w aplikacjach biologicznych.