GenAI

Generative AI in Bioinformatics: What a New Systematic Review Finds

Kari Jaaskelainen

— 1 min read
Generative AI in Bioinformatics: What a New Systematic Review Finds

GenAI is reshaping genomics, proteomics, transcriptomics, structural biology, and drug discovery. This systematic review asks six big questions to map where GenAI helps most—and what’s next.

  • Where it works: Sequence analysis, molecular design, and integrative modeling often beat traditional methods via pattern discovery and realistic output generation.
  • Best models: Domain-specialized architectures with targeted pretraining and context-aware inputs outperform general-purpose models.
  • Big wins: Better molecular analysis and data integration improve accuracy and cut errors in complex pipelines.
  • Validated gains: Stronger structural modeling, functional prediction, and synthetic data generation on standard benchmarks.
  • Limits: Scalability and dataset bias still curb generalization—calling for tougher evaluations and biologically grounded modeling.
  • Data fuel: Molecular sets (UniProtKB, ProteinNet12), cellular atlases (CELLxGENE, GTEx), and text corpora (PubMedQA, OMIM) power training and transfer.

Takeaway: GenAI isn’t a silver bullet, but specialized, well-evaluated models are already delivering practical gains across the bioinformatics stack.

Paper: http://arxiv.org/abs/2511.03354v1

Paper: http://arxiv.org/abs/2511.03354v1

Register: https://www.AiFeta.com

GenAI Bioinformatics Genomics Proteomics StructuralBiology DrugDiscovery AI SystematicReview MachineLearning

Read more

Se, mitä pidämme kuvissa samanlaisena, riippuu sanoista

Se, mitä pidämme kuvissa samanlaisena, riippuu sanoista

Olet etsimässä uutta takkia verkosta. Kirjoitat hakukenttään “villakangastakki”. Ensimmäiset osumat ovat järkeviä, mutta sinä mietit: haluaisin nimenomaan tummanharmaan, polvipituisen ja arkikäyttöön sopivan. Yhtäkkiä “samanlainen takki” tarkoittaakin eri asiaa kuin hetkeä aiemmin. Silti useimmat kuvahaun ja verkkokaupan järjestelmät vertaavat kuvia toisiinsa yhden ja saman, kiveen hakatun mittarin mukaan. Perinteinen oletus on

By Kari Jaaskelainen
Näkymätön lisäys kuvaan voi kantaa pitkän viestin – ja säilyä tavallisen muokkauksen läpi

Näkymätön lisäys kuvaan voi kantaa pitkän viestin – ja säilyä tavallisen muokkauksen läpi

Kun tekoälyn tekemät kuvat yleistyvät, pelkkä arvaus alkuperästä ei riitä. Tuoreet kokeet osoittavat, että yksinkertainen, huomaamaton vesileima voi kertoa sekä onko kuva koneella tehty että kuka sen teki. Sosiaalisen median virrassa kuva näyttää aina kuvalta: naurava hääseurue, tulviva katu, presidentti kättelemässä. Silti yhä useammin kysymys kuuluu, mistä kuva on peräisin

By Kari Jaaskelainen
Tietokone, joka kuuntelee sanat, äänen ja ilmeet, voi kertoa myös miksi se epäilee masennusta

Tietokone, joka kuuntelee sanat, äänen ja ilmeet, voi kertoa myös miksi se epäilee masennusta

Moni tunnistaa tilanteen terveyskeskuksessa tai videopuhelussa: kysymykseen ”mitä kuuluu?” on helpompi vastata ”ihan ok” kuin kertoa oikeasti, miltä tuntuu. Häpeä, kiire ja se, että oireet ovat lopulta vain omia kokemuksia, vaikeuttavat masennuksen huomaamista – sekä potilaalta että ammattilaiselta. Yleinen ajatus on ollut, että jos tekoäly oppisi poimimaan masennuksen merkkejä puheesta, tekstistä

By Kari Jaaskelainen
Keinoälystä on tulossa matemaatikon apuri, joka etsii poikkeukset ja ehdottaa polkuja

Keinoälystä on tulossa matemaatikon apuri, joka etsii poikkeukset ja ehdottaa polkuja

Koneet voivat oppia löytämään piilokuvioita, vinkata todistusten välivaiheita ja jopa keksiä yksittäisiä tapauksia, jotka kumoavat rohkeita väitteitä – ja se voi muuttaa tapaa, jolla uutta matematiikkaa syntyy. Arjessa riittää usein, että jokin toimii melkein aina. Matematiikassa yksi poikkeus riittää kaatamaan koko säännön. Jos väität, että jokaisessa bussissa on aina vapaa paikka,

By Kari Jaaskelainen