Когда мы говорим про ИИ в фарме, чаще всего представляем «черный ящик», который перебирает миллионы вариантов и выдает лучшие. Но в современной химии этого уже недостаточно. Группа Коннора Коли (MIT) показывает более зрелый подход: модели должны не только считать, но и понимать химические принципы, как это делает опытный химик.
Оригинальный материал MIT News рассказывает о работе Коли на стыке chemical engineering, machine learning и drug discovery. Ниже, по сути, расширенный разбор того, почему это направление важно не только для академии, но и для всей биофармы.
Почему классический перебор молекул больше не работает
Простая, но шокирующая оценка: потенциальных «малых молекул» для лекарств может быть от 10^20 до 10^60. Это астрономическое пространство вариантов. Экспериментально проверить все невозможно даже за тысячи лет.
Именно поэтому ИИ в химии нужен не как модный инструмент, а как необходимость. Однако «просто генерация» без химической логики часто дает красивую, но бесполезную молекулу, которую невозможно синтезировать или которая не сработает в реальном биоконтексте.
Аналогия простая: можно сгенерировать тысячи чертежей автомобиля, но если в них не учтен закон сохранения энергии и ограничения материалов, они останутся картинками.
Подход Коннора Коли: от предсказаний к химической интуиции
Коли работает на стыке дисциплин, где ключевая идея звучит так: модели должны быть заземлены в физике и механизмах реакций. В MIT его команда развивает вычислительные методы, которые:
- анализируют большие пространства химических соединений,
- проектируют новые молекулы с заданными свойствами,
- предсказывают пути синтеза, по которым эти молекулы реально получить.
Это важный сдвиг от «угадывания результата» к «пониманию процесса». В химии путь не менее важен, чем финальная структура.
ShEPhERD: фокус на 3D-геометрии и взаимодействии с белком
Одна из разработок лаборатории, ShEPhERD, оценивает потенциальные лекарственные молекулы через призму их трехмерной формы и вероятного взаимодействия с белковой мишенью. Для фармы это критично: молекула должна не просто существовать, а «сесть» в активный центр белка, как ключ в замок, причем с правильной ориентацией и энергетикой.
По данным MIT, этот подход уже применяется в фарминдустрии. Это показывает, что академические модели начинают проходить главный тест, тест практической применимости.
FlowER: генеративная модель, которая уважает законы химии
Другой проект, FlowER, предсказывает продукты химических реакций. Но главное в нем не только архитектура модели, а встроенные ограничения:
- Закон сохранения массы (базовая физическая корректность),
- учет реалистичности промежуточных стадий реакции,
- ориентация на механистическую правдоподобность, а не только на статистическое сходство с датасетом.
Результат, как отмечают исследователи, это рост точности прогноза. И это важный урок для всего AI for Science: добавление доменных ограничений повышает качество сильнее, чем «голое» масштабирование.
Почему это меняет правила игры в drug discovery
| Подход | Что делает | Ограничение | Что меняет MIT-подход |
|---|---|---|---|
| Чисто data-driven | Ищет статистические паттерны | Может игнорировать физику и синтезируемость | Встраивает химические законы и механизмы |
| Классический medicinal chemistry | Опирается на опыт экспертов | Медленно масштабируется | Масштабирует экспертную интуицию через ИИ |
| High-throughput screening | Проверяет много кандидатов экспериментально | Высокая стоимость и время | Сужает поиск до более релевантных молекул |
Для индустрии это означает три практических эффекта:
- Сокращение цикла R&D: меньше тупиковых веток синтеза и скрининга.
- Снижение стоимости ранних этапов: эксперименты становятся более прицельными.
- Рост вероятности успеха: модели помогают отсеивать химически нереалистичные гипотезы раньше.
Системный контекст: где проходит граница между ИИ и химиком
Важно не впадать в крайности. ИИ не заменяет химика, а усиливает его. Эксперт формулирует задачу, выбирает критерии и валидирует результат. Модель ускоряет поиск и подсказывает неочевидные направления.
Хорошая аналогия, ИИ здесь как навигация в огромном городе: она прокладывает маршрут, но ответственность за конечное решение, безопасность и контекст остается у водителя.
Что дальше: перспективы на 3-5 лет
1. Переход от «молекулы» к «pipeline»
Следующий шаг, объединить генерацию молекулы, планирование синтеза, автоматизацию лаборатории и активное экспериментальное обучение в единый цикл.
2. Рост роли hybrid-моделей
Наиболее успешными будут решения, где сочетаются foundation models, физико-химические ограничения и экспериментальный feedback.
3. Новая компетенция команд
Побеждать будут не «чистые AI-команды» и не «чистые химики», а междисциплинарные группы, как в MIT, где свободно взаимодействуют CS, химия и инженерия.
Вывод
Работы Коннора Коли показывают зрелую фазу AI for Science: рынок уходит от иллюзии, что «больше параметров» автоматически решит научные задачи. В химии ценность появляется тогда, когда модель понимает ограничения реального мира, от законов сохранения до механизмов реакций.
Для фармы это не просто ускорение вычислений. Это изменение методологии открытия лекарств: от перебора к осмысленному проектированию. И именно такие подходы, вероятнее всего, определят, какие компании и научные центры будут лидерами следующего десятилетия.
Источник: MIT News, материал Anne Trafton о работе Connor Coley (20 мая 2026, news.mit.edu).
