Учёные МГУ усовершенствовали ИИ для прогнозирования свойств молекул

Специалисты Центра искусственного интеллекта МГУ под руководством Вадима Королева разработали метод, учитывающий в нейросети как атомы, так и функциональные группы молекул.

Создать новое лекарство — это перебрать тысячи молекул. Каждая — кандидат. Большинство — брак. ИИ помогает отсеивать неперспективные, экономя годы и миллиарды. Но у нейросетей есть слабость: они видят атомы, но не видят «детали» — функциональные группы. Учёные МГУ эту проблему решили.

Специалисты Центра искусственного интеллекта МГУ усовершенствовали архитектуру нейросети для предсказания свойств молекул. Новое решение учитывает больше параметров, что повышает точность прогноза, сообщили ТАСС в пресс-службе университета.

Сегодня прогноз свойств молекул по их структуре (это важно для создания новых лекарств и материалов) ведётся с помощью алгоритмов машинного обучения. Существует два основных подхода: молекулу рассматривают либо как сеть атомов и химических связей (граф), либо как последовательность символов, описывающих строение (SMILES). Но оба метода чаще всего работают на уровне отдельных атомов и не учитывают напрямую более крупные элементы молекулы — функциональные группы. Карбоксильные, аминные, гидроксильные — именно они часто отвечают за биологическую активность. Игнорировать их — всё равно что изучать автомобиль по деталям, не зная, где двигатель, а где колёса.

Авторы новой разработки предложили метод, в основе которого лежит способ записи молекул (молекулярный граф с химическими группами), учитывающий и отдельные атомы, и функциональные группы. Нейросеть анализирует эти представления одновременно, что позволяет учитывать разные уровни организации молекулы. В вычислительных экспериментах модель показала более высокую точность по сравнению с традиционными алгоритмами.

Как пояснил руководитель научной группы «Мультимодальное обучение в материаловедении» Института ИИ МГУ Вадим Королев, для химии важна не только точность моделей, но и понимание того, какие элементы структуры влияют на свойства вещества. Новый подход делает результаты моделирования более объяснимыми, так как позволяет учитывать функциональные группы молекул. Это не «чёрный ящик», который выдаёт ответ непонятно на основе чего. Это прозрачная модель: вот эта группа отвечает за токсичность, а вот эта — за растворимость.