Лаборатория отправляет роботу список из тысячи молекул-кандидатов для нового лекарства. Робот-предсказатель, натренированный на старых данных, выдаёт для каждой оценку «подойдёт — не подойдёт». Но когда список приходит из незнакомой области — другого вируса или редкой опухоли — робот начинает путаться. Его уверенность остаётся высокой, а реальные попадания падают до нуля.
Инструмент CaliPPer решает эту проблему без единого проверочного ответа. Он измеряет, насколько далеко новый образец ушёл от знакомых учебных примеров — примерно как навигатор оценивает, насколько вы отклонились от известных дорог. Для каждой молекулы вычисляется «расстояние до своих» (S2DD), и на его основе модель честно говорит: «В этом районе я ориентируюсь плохо, моим оценкам лучше не верить».
На десяти разных моделях, предсказывающих связывание иммунных клеток с мишенями, CaliPPer показал корреляцию между расстоянием и реальной точностью на уровне 0.80–0.92 (где 1 — идеальное совпадение). Ошибка в оценке качества упала до 0.008–0.070. В пяти реальных исследованиях, где обычные модели не нашли ни одной рабочей молекулы (0 из 5), пересчёт уверенности позволил подтвердить 3 из 5 — просто за счёт того, что ложные фавориты были понижены, а скромные, но надёжные кандидаты поднялись в рейтинге.
Это не замена эксперименту, а умный фильтр между компьютером и пробиркой. Вместо того чтобы тратить недели на проверку сотен пустышек, биолог получает короткий список с честной оценкой шансов.
Расстояние до обучающих данных (S2DD) работает как «чужеродность»: если новая молекула сильно отличается от всего, что модель видела раньше, её предсказание почти наверняка ошибочно, даже если модель в нём уверена.