В мире потенциальных лекарств скрыт почти бесконечный выбор: ученые оценивают число возможных малых молекул в диапазоне от 10²⁰ до 10⁶⁰. Проверить каждую в лаборатории физически невозможно, даже при огромных бюджетах и командах. Поэтому фарма и академическая наука все активнее используют искусственный интеллект, чтобы заранее отсеивать слабые варианты и находить самые перспективные.
Именно на этом стыке работает профессор MIT Коннор Коли. Его группа создает вычислительные модели, которые помогают проектировать новые соединения, предсказывать продукты реакций и подбирать реалистичные пути химического синтеза.
ИИ для химии: не просто генерация, а инженерный подход
Коли совмещает компетенции сразу из нескольких областей: химическая инженерия, информатика и машинное обучение. Главная цель его исследований, по сути, практичная: сделать так, чтобы путь от идеи молекулы до потенциального препарата занимал меньше времени и стоил дешевле.
В фокусе команды, прежде всего, поиск малых молекул для лекарств. Это класс соединений, на которых держится значительная часть современной фармакологии. Такие молекулы должны не только «подходить» к белковой мишени, но и быть синтезируемыми в реальной лаборатории.
От школьных олимпиад до переднего края AI x Science
Интерес Коли к науке сформировался рано: в семье много ученых, а сам он еще школьником участвовал в научных соревнованиях. После учебы в Caltech он пришел в MIT на PhD и занялся автоматизацией химических реакций и планированием синтеза с помощью ML.
Одной из ключевых точек стал проект DARPA Make-It, где использовали данные и машинное обучение для улучшения производства лекарственных и других полезных соединений из простых «строительных блоков». Этот опыт помог ему выстроить собственный исследовательский стиль: соединять химическую интуицию и вычислительную строгость.
ShEPhERD и FlowER: модели, которые учитывают реальность
ShEPhERD: оценка молекул по 3D-форме
Одна из разработок лаборатории, ShEPhERD, оценивает потенциальные молекулы по тому, как их трехмерная структура может взаимодействовать с целевыми белками. Проще говоря, модель проверяет, насколько «подходит ключ к замку» на уровне пространственной геометрии. По данным MIT, этот инструмент уже применяют фармкомпании в задачах раннего поиска кандидатов.
FlowER: прогноз продуктов реакции с учетом физики
Другая система, FlowER, относится к генеративному ИИ для химии и предсказывает, что получится при смешивании конкретных реагентов. Важный момент: модель обучали не как «черный ящик», а с ограничениями из базовой химии, включая закон сохранения массы.
Также FlowER учитывает правдоподобие промежуточных стадий реакции. Для химика это естественный ход мысли, но обычные нейросети без специальных ограничений часто это игнорируют. В результате такие физико-химические рамки повышают точность предсказаний и делают выводы модели более полезными для практики.
Почему это важно для индустрии ИИ и фармы
- Сдвиг от «угадывания» к научно обоснованному ИИ: модели становятся ближе к экспертной логике химиков.
- Ускорение R&D: меньше слепых экспериментов, быстрее отбор перспективных молекул.
- Снижение стоимости разработки: ранний отсев плохих кандидатов экономит годы и миллионы долларов.
- Новый стандарт для AI в науке: важна не только генерация, но и встроенные физические ограничения.
Подход Коли хорошо показывает общий тренд: следующая волна ИИ в науке строится на гибриде данных, доменной экспертизы и фундаментальных законов. Это особенно критично в областях, где ошибка модели стоит очень дорого, как в разработке лекарств.
Помимо молекулярного дизайна, группа MIT работает над автоматизацией лабораторий, оптимальным планированием экспериментов и компьютерными методами анализа структуры веществ. Все это складывается в единую экосистему, где ИИ не заменяет химика, а усиливает его возможности.
Источник: MIT News (news.mit.edu)
