22.12.2022
Разработка новых лекарственных препаратов и материалов зависит от качества
предсказания физических и химических свойств будущего продукта. Один из новых и
популярных подходов к решению подобных задач – применение методов на стыке
квантовой химии и искусственного интеллекта. Однако для обучения моделей ИИ
предсказанию свойств молекул необходим доступ к соответствующей информации о
каждой из их многочисленных характеристик, а качество предсказания будет зависеть от
количества и разнообразия данных. Ученые из Института искусственного интеллекта AIRI
создали и выложили в открытый доступ крупнейший в мире набор данных по квантовой
химии, чтобы расширить возможности исследований в области поиска новых материалов
и разработки лекарств. Исследование опубликовано в журнале Physical Chemistry Chemical
Physics.
Прогнозирование свойств молекулы — важный этап создания нового препарата, и
машинное обучение способно ускорить и упростить этот процесс. Проверка работы
моделей ИИ для химии, в отличие от популярных моделей для генерации изображений
или текстов, очень трудозатратна: нужно пойти в «мокрую» лабораторию, провести
эксперименты в реальном мире, синтезировать структуру и затем оценить каждое её
свойство. Вместо дорогостоящих экспериментов некоторые свойства можно оценить с
помощью методов квантовой химии. Например, решение уравнения Шредингера
помогает понять, что происходит между атомами и электронами, смоделировать
поведение молекулы или материала и вычислить их теоретические свойства. Объем
вычислений, необходимых для точного решения уравнения Шредингера,
экспоненциально растет с увеличением числа электронов, и здесь на помощь ученым
приходят нейронные сети. Именно они позволяют эффективно «перенести» дорогие
эксперименты в цифровую плоскость. Вместо того, чтобы предсказывать конкретное
свойство молекулярной структуры, эти методы направлены на оценку молекулярной
конформации — то есть трехмерного расположения атомов в молекуле путем
предсказания ее квантовых свойств.
Чтобы сделать применение методов ИИ в квантовой химии повсеместным, научному
сообществу необходимо большее количество специализированных данных. По словам
Артура Кадурина, руководителя научной группы «Глубокое обучение в науках о жизни»
AIRI, подавляющее большинство исследований, недавно проведенных в этой области,
ограничивается экспериментами на небольшом количестве структур разных веществ, что
ставит под сомнение применимость моделей ИИ в реальных задачах индустрий.
С целью решения этой проблемы ученые Института AIRI при поддержке коллег из
Сколтеха и ПОМИ РАН собрали 5 340 152 конформаций для 1 004 918 подобных
лекарствам молекул, а также их квантовые свойства, и выложили базу данных в открытый
доступ на маркетплейс артефактов машинного обучения DataHub. Доступ к датасету
возможен через платформу ML Space. В дополнение к данным в набор включили 4
модели для предсказания энергии молекулярной конформации и 2 модели для работы с
теорией функционала плотности.
Хотя получить модели, близкие к химической точности, по-прежнему сложно,
экспериментальные данные показывают, что большие наборы данных приводят к
повышению качества моделей ИИ. Научная группа планирует дальше пополнять уже
собранную базу и надеется, что эта работа сделает in silico эксперименты более
доступными, а точность предоставляемых результатов приблизится к качеству
лабораторных исследований.
Фото: pharmmedprom.ru
Нет комментариев