Моя специализация это машинное обучение внутри физически обоснованных пайплайнов. Самый наглядный пример из моих работ это модель растворимости, где термодинамическая модель COSMO-SAC реализована дифференцируемым слоем, так что графовая сеть обучается сквозь неподвижную физику, а не пытается её заменить. Я предпочитаю такие конструкции чёрным ящикам, потому что у них проверяемо меньше степеней свободы и понятно, какая часть ошибается.

Вторая линия, это находить, где пайплайн молча врёт. Неидентифицируемые величины, неоткалиброванная неопределённость, метрики, которые меняют победителя при смене соглашения. В сетях расчётов свободной энергии связывания я показал, что опубликованные оценки погрешности на 1143 реальных рёбрах оптимистичны в 1.41 раза против разброса по репликам, и вывел точное тождество: вклад измерения в оценку и его же вклад в обнаружение ошибки модели в сумме дают единицу, то есть измерение, максимально уточняющее модель, по построению хуже всего способно её опровергнуть. В предсказании метаболитов я разложил полноту точно на покрытие, отбор и ранжирование: потолок банка правил оказался 0.8105, система берёт 0.7023, а остаток недостижим никаким улучшением скоринга, потому что банк этих структур просто не порождает. Вывод обратен распространённой интуиции и меняет, куда вкладывать усилие. В третьей работе я пересчитал 24 опубликованных лидерборда в четырёх областях и показал, что большая часть расхождений приходится не на выбор критерия, а на разрешающую способность, которой у бенчмарка никогда не было.

Инструменты. ML: PyTorch, графовые нейросети, E(3)-эквивариантные архитектуры, генеративные модели на графах, диффузии и flow matching, калибровка и оценка неопределённости, conformal prediction. Хемоминформатика: RDKit, SMILES и InChI, таутомеры, реакционные шаблоны на SMARTS, докинг, COSMO-SAC и COSMO-RS, MBAR и BAR через pymbar, OpenFE и OpenFF, ORCA, Gaussian. Биоинформатика из программы ФББ: BLAST и поиск гомологов, базы последовательностей и структур, обработка данных NGS, PDB, PyMOL, GROMACS, CHARMM-GUI. Моделирование белковых структур: AlphaFold, RosettaFold.  Инженерия: Python, SQL, Git, Docker, Bash, воспроизводимые пайплайны и релизы артефактов. Статистика: парный и кластерный бутстрап, поправки на множественность, предрегистрация гипотез, дизайн с отрицательным контролем.

Бэкграунд. Четвёртый курс биоинженерии и биоинформатики МГУ, специалитет. Сильная физическая и органическая химия, матанализ и теория вероятностей, и именно отсюда растёт весь мой интерес к физически информированным моделям: я сначала выучил термодинамику, а потом стал смотреть, что из неё можно поставить внутрь сети. Пять месяцев промышленного ML на стажировке в Яндексе дали опыт работы с большими данными, SQL и понимание, что модель живёт в проде.

Из ненаучного, но относящегося к делу: мне интересно механистическое рассуждение, опирающееся на данные, и далеко за пределами моей области

Публикации. У меня четыре работы первым автором, три из них в активной работе прямо сейчас.

Первая, единственный автор, про то, что проверка замыкания термодинамических циклов может и чего не может установить в сети расчётов свободной энергии связывания. Препринт на ChemRxiv (10.26434/chemrxiv.15007931/v3), код и релиз на Zenodo.

Вторая, в соавторстве с А. В. Рудик, про предсказание метаболитов: точная факторизация полноты и то, что вердикт при сравнении предикторов меняется на шести бюджетах из девяти в зависимости от объявленного критерия совпадения. Готовится к подаче в Journal of Chemical Information and Modeling.

Третья, тоже с А. В. Рудик, про σ-профили и COSMO-SAC: подстановка референсного профиля на инференсе ухудшает предсказание растворимости на каждом сиде. Рукопись перерабатывается после рецензирования.

Четвёртая, по методологии оценки в машинном обучении, подана на ICLR 2027. Название и детали не раскрываю, пока идёт слепое рецензирование, решение в декабре 2026.

Моя модель предсказания метаболитов и новый банк правил трансформаций внедряются в сервис MetaTox на платформе way2drug. Код и открытая версия банка выложены на GitHub. Для меня это важнее публикации: это работа, которой кто-то пользуется.

Летняя школа AIRI 2025, трек машинного обучения. Проект R3-MolGAN в соавторстве с Матвеем Аношиным: перенесли рецепт R3GAN (NeurIPS 2024) на молекулярные графы QM9 и в латентное пространство MOSES, код открыт. 

Конференции. Доклад на XXX Симпозиуме по биоинформатике и компьютерному конструированию лекарств (BCADD-2024) в сентябре 2024, «Drug metabolism prediction using graph neural networks», тезисы в сборнике. Это была ранняя версия того, что потом выросло в статью про метаболиты. Тезисы по работе о свободной энергии поданы на ACS Spring 2027 в дивизион COMP, решение в декабре.

Рецензирование. С сентября 2026 рецензент Journal of Open Source Software.

Олимпиады. Дипломы второй степени XI и XII Международной биологической универсиады МГУ, 2023 и 2024. Призёр заключительного этапа Всероссийской олимпиады школьников по биологии, 2022.