Мы вам тут принесли красоты. Вот тут и там сделали прикольную образовательную модель клетки. Это схема, но довольно точная. И в ней видно, что в клетке пустого места нифига нет, и везде месиво химических фабрик. Началось с чувака, рисующего клетки акварелью. Можно разобрать клетку и посмотреть на каждый компонент, но почти нельзя увидеть, как именно миллионы разных молекул кишат, сталкиваются и работают вместе внутри живой клетки. Мужик решил собирать данные, сопоставлять и рисовать системные взаимодействия. Дэвид Гудселл, работник банка белков, использует свой банк данных белков как библиотеку структур. Раздупляет и другие базы данных белков типа UniProt — там свойства. Чтобы понять расположение — смотрит в электронный микроскоп и читает работы. Чтобы рисунок был чёткий, он полностью убирает с картины воду и самые мелкие молекулы. Иначе была бы каша. Учёный пишет, что бережет старую копирку, доставшуюся ему ещё в детстве от деда, потому что она важная часть процесса. Масштаб миллион к одному. В итоге он так долго рисовал всё это, что его иллюстрации стали золотым стандартом в современной молекулярной биологии. Вот работа в целом про методы визуализации клеток. 4 основных источника: общая архитектура по электронной микроскопии, химический анализ белков (сколько и кто там сидит), их структуры и информация о взаимодействии. Дальше используются софтины CellPACK или CellPAINT. Софту задают границы, засыпают туда нужные белки в пропорциях, потом БЖЖЖ, ХРРР и истошно вопящий кулер — и белки заполоняют пространство, учитывая правила — кто с кем может слипаться, а кто нет. Чтобы такое рендерить, кстати, нужен серьёзный игровой компьютер. NPC в виде вирусов получают скрипты поведения. Потом надо решить проблемы освещения, выбора ракурса камеры, настройки прозрачности массовки (чтобы другие белки не загораживали вид на сюжет). Чаще всего такое снимают в слоу-моушен. Когда ученые собирают все известные данные в одну визуализацию, сразу становятся видны нестыковки. Например, если биологи думали, что какой-то процесс происходит быстро, но в 3D-модели выясняется, что молекуле просто не хватает места, чтобы развернуться в тесноте клетки — значит, старая теория неверна и нужно искать новое объяснение. Студенты плохо усваивают биологию из-за того, что в учебниках процессы показаны кусками. Эти вот штуки тоже решают эту проблему. Но если показать полную 3D-картину клетки со всеми миллионами деталей, студент пугается и окукливается. Если сильно упростить — он думает, что биология это легко, звереет и упускает суть. Поэтому они дают студентам интерактивные сцены, а потом увеличивают сложность, пока она не превратится в сравнимую с диффурами. А потом заставляют их самостоятельно искать структуры, которые убегают. 3D-моделирование занимается всё тот же мужик, Дэвид Гудселл. Но акварель он не откладывает. Если вдруг кто-то будет петь песни или снимать клип про структуру клетки, не сомневайтесь, где-то рядом будет ходить он же. -- Вступайте в ряды Фурье! | Лучшие посты Дети познакомились с микробиологом. Он оказался намного больше, чем они думали.

Что такое парадокс изогнутой трубы и почему интуиция нас подводит Вода течёт по U-образной трубе, и интуиция подсказывает, что на внешнем обводе путь длиннее, значит, там частица ускоряется, а на внутреннем, где короче, замедляется. На деле всё выходит ровно наоборот, и внутренняя частица разгоняется, сильно обгоняя внешнюю. При соотношении радиусов обводов один к трём скорости относятся как три к одному, и это не игра ума на бумаге: живой эксперимент с U-образным коленом, манометром и обычным пылесосом качнул столбики именно туда, куда предсказала теория, а разность давлений на двух обводах составила 500 Па. Узнаем, откуда в повороте берётся эта разность давлений.

Дешёвая заявка — самый дорогой канал В клуб MFS приходил Денис Сметнев — он разгонял международную экспансию Skyeng. И рассказал про ловушку, в которую попадают почти все, кто впервые заходит на чужой (читай "международный") рынок. Обычная ситуация: запускаем рекламу и просим алгоритм оптимизировать на стоимость заявки. Он идёт искать самые дешёвые лиды. А дешевле всего заполняют формы те, у кого больше всего свободного времени: на новом рынке это часто безработные и недавно переехавшие мигранты. Заявок вал, CPL смешной, дашборд зелёный. А потом сейлзы прозванивают базу — и никто не покупает. Алгоритм всегда оптимизирует ровно ту метрику, которую мы назвали. Просим дешёвые заявки — получаете тех, кого дешевле привести, а не тех, кто платит. На домашнем рынке вы поймали бы это чутьём. На новом чутья нет, поэтому вы верите цифре. А цифра врёт. Вывод простой: пока когорта реально не занесла деньги, считайте, что CPL вас обманывает. Целевое действие для рекламы — оплата, а не поднятая рука. Почему привычные CAC и LTV так легко вводят фаундера в заблуждение — разбирал в блоге Всем классных выходных ☀️ Андрей Резинкин | Money For Startup

🌟 TabFM: модель для работы с табличными данными от Google Google Research опубликовала модель машинного обучения для классификации и регрессии на табличных данных. TabFM делает прогнозы на ранее не встречавшихся таблицах без отдельной тренировки под каждый набор данных.

Табличные данные лежат в основе множества прикладных задач - от прогноза оттока клиентов до выявления финансового мошенничества. Десятилетиями здесь доминировали алгоритмы на основе деревьев решений, которые требуют долгого подбора параметров и выстраивания признаков под каждую новую задачу.

TabFM использует подход, заимствованный у LLM - обучение в контексте. Модель получает всю таблицу целиком как единый запрос и определяет связи между столбцами и строками прямо в момент прогноза, не меняя своих внутренних параметров. Эту архитектуру Гугл описывает как гибрид двух ранее опубликованных решений TabPFN и TabICL. TabFM обучалась на сотнях миллионов сгенерированных таблиц, построенных с помощью структурных причинных моделей. Разработку проверили на бенчмарке TabArena, который ранжирует системы по итогам прямых сравнений между собой. Тестирование включало 38 наборов для классификации и 13 для регрессии, размером от 700 до 150 000 строк. По результатам TabFM обошла тщательно настроенные отраслевые решения TabPFN-3, AutoGluon и RealMLP. В ближайшие недели TabFM будет встроена в сервис Google BigQuery, там классификацию и регрессию можно будет запускать одной SQL-командой, без специальных знаний в области ML. 📌Лицензирование: Tabfm Non-commercial 🟡Блогпост 🟡Модель 🖥GitHub @ai_machinelearning_big_data #AI #ML #TabFM #Google

Сегодня хороним ещё одну ракету — Pegasus XL тоже всё. NASA наконец-то дали апдейт, что после череды переносов, Northrop Grumman успешно запустили в последний раз свою Pegasus XL с аппаратом LINK. Сама миссия заслуживает отдельного поста, тк это уникальный эксперимент по спасению телескопа SWIFT. Но за годы не раз встречался вопрос — почему просто не запускать ракеты с самолёта? Это же должно быть дешевле? Да всё ровно наоборот — за Pegasus XL просили до $40 миллионов для вывода до 454кг нагрузки. Грубо говоря, это в 5 раз дороже отдельного пуска на Electron от Rocket Lab за нагрузку схожего класса, и в десятки раз хуже Falcon 9. Опять же, помним что одной стоимости вывода за кг нет, это мифические цифры. Но тут были требования к наклонению орбиты и бюджету, поэтому нашёлся нестандартный вариант. У NG как раз лежала в запасе одна ракета… на которую не было клиента уже много лет. Но NASA заплатила по контракту компании Katalyst только $30 миллионов, в которые умудрились уместить и стоимость аппарата LINK, и запуск на Pegasus XL — последнему покупателю досталась хорошая скидка. Это неплохая сделка для спасения телескопа стоимостью свыше $500 миллионов (не считая расходов на операционку за все годы). Но такая горизонтальная схема запуска с самолёта имеет мало смысла в реальных экономических условиях. Ракету можно поднять только на высоту ~12км при скорости ~1000 км/ч, но ей всё ещё нужно будет разогнаться почти до 28000 км/ч и где-то на 350км. Безусловно, запуск с самолёта позволяет выиграть немного по энергии, но этот выигрыш не отбивается по деньгам. Учитывая, что для запуска Pegasus XL использовали буквально последний летающий самолёт L-1011 Tri-Star, то каждый час на земле и в воздухе — это дополнительные издержки, как и переносы. У Pegasus XL ещё и не самая удачная статистика пусков за такой ценник — 41 успешная миссия из 45. Так что сегодня на свалке истории оказалась не только очередная одноразовая ракета, да ещё и которая запускалась с самолёта. Ну а про LINK и спасение телескопа SWIFT будет отдельный пост ближе к делу.

Кстати. Ranking Digital Rights снова начали работу. Они давно не выпускали отчетов, но я помню, как принимал участие в работе с ними по российским конторам. На этот раз они взялись за телеком-компании, отсмотрев сотни показателей из 12 крупнейших мировых телекомов. Без китайских, но есть и LATAM, и EMEA. Главные инсайды и тренды свежего индекса: 1. Средний уровень прозрачности в секторе вырос с 29 в 2022 году до 34 из 100 в 2026-м. 2. Восемь из двенадцати компаний сгруппировались в узком диапазоне от 36 до 42 баллов, что говорит о выравнивании индустрии вокруг средних стандартов. 3. Смена лидеров и прорыв "развивающихся рынков". Лидером рейтинга осталась испанская Telefónica, хотя ее балл впервые незначительно снизился. А вот на 2-е и 3-е места вырвались африканская MTN и латиноамериканская Américo Móvil. Впервые с запуска индекса в 2015 году две компании из стран за пределами ЕС и США вошли в тройку лидеров по прозрачности. 4. Лидеры уперлись в "потолок". Прежние топ-игроки — Telefónica, Vodafone и AT&T — показали небольшое снижение баллов. Европейские гиганты вроде Deutsche Telekom и Telenor топчутся на месте. Похоже, добровольные обязательства компаний по раскрытию данных достигли своего предела. 5. Прогресс в управлении рисками. Приятный момент — теперь абсолютно все исследованные операторы заявляют, что проводят оценку воздействия на права человека (HRIA) в своей работе. Почти все (кроме Ooredoo, которая традиционно на последнем месте, хотя и поднялась до 14 баллов) дают пользователям доступ к копиям их персональных данных и предлагают механизмы отказа от таргетированной рекламы. 6. Регуляторный след. Заметный рывок компаний из Азии, Африки и Латинской Америки (Axiata, Bharti Airtel, e&, MTN) во многом связан с глобальным эффектом европейской директивы CSRD (Corporate Sustainability Reporting Directive) 2023 года. Хотя в начале 2026 года требования внутри ЕС были несколько ослаблены под давлением лоббистов, директива уже стала мировым бенчмарком для корпоративного управления и прозрачности данных.