В мире молекул потенциальных лекарств слишком много, чтобы проверять их вручную. По оценкам ученых, число возможных соединений для малых молекул может достигать диапазона от 10^20 до 10^60. Это настолько огромный выбор, что классические лабораторные методы без вычислительной поддержки работают слишком медленно.
Именно поэтому в фармацевтике все активнее применяют искусственный интеллект. Один из заметных исследователей в этой области, профессор MIT Коннор Коли, разрабатывает модели, которые не просто перебирают варианты, а пытаются рассуждать ближе к тому, как думает химик.
ИИ для химии: не просто генерация, а понимание процесса
Коли работает на стыке химической инженерии и компьютерных наук. Его команда создает инструменты, которые анализируют огромные массивы химических структур, предлагают новые молекулы и предсказывают, какие реакции приведут к нужному результату.
Главная цель, по его словам, универсальна для органической химии, но основной фокус сейчас, конечно, на поиске малых молекул для лекарств. Это важно, потому что в современной фарме скорость отбора кандидатов напрямую влияет на стоимость и сроки вывода препаратов.
Почему это направление стало ключевым для фармы
Традиционно разработка молекул требует множества проб и ошибок. Химики проверяют гипотезы в лаборатории, а это долгий и дорогой путь. Модели ИИ позволяют заранее оценить, какие варианты вероятнее сработают, и тем самым сократить число «пустых» экспериментов.
Проще говоря, алгоритм выступает как интеллектуальный фильтр: отсеивает слабые идеи и подсказывает сильные. Для индустрии это означает более быстрый цикл «идея → тест → результат» и меньшие затраты на ранних стадиях исследований.
От DARPA до MIT: как формировался подход Коли
Во время работы в MIT и в проектах, поддержанных DARPA (в частности, программе Make-It), Коли занимался планированием синтеза лекарственных молекул с помощью методов машинного обучения и хемоинформатики. Хемоинформатика, если просто, это применение вычислительных методов для анализа химических данных.
Кроме алгоритмов, он участвовал и в разработке аппаратных решений для автоматического проведения реакций. Такой связке «софт + лабораторная автоматизация» сегодня уделяют особое внимание, потому что она приближает полностью цифровой контур разработки молекул.
ShEPhERD и FlowER: модели, которые учитывают реальную химию
ShEPhERD: оценка молекул по 3D-взаимодействию с белками
Одна из моделей лаборатории, ShEPhERD, обучена оценивать перспективные лекарственные молекулы по тому, как их трехмерная форма может взаимодействовать с целевыми белками. Это критично для лекарств: даже похожие по формуле вещества могут по-разному работать из-за геометрии.
По данным MIT, этот инструмент уже используют фармкомпании для поиска новых кандидатов. Фактически модель помогает добавить в генеративные алгоритмы «химическую интуицию» медицинской химии.
FlowER: предсказание продуктов реакции с физическими ограничениями
Вторая заметная разработка, FlowER, прогнозирует продукты химической реакции из заданных исходных веществ. Ключевая особенность в том, что в модель встроили базовые физические правила, включая закон сохранения массы.
Также алгоритм заставляют учитывать правдоподобие промежуточных стадий реакции, а не только «вход» и «выход». Это резко приближает поведение ИИ к тому, как рассуждает человек-химик, и, как показали исследования, повышает точность предсказаний.
Что это меняет для индустрии ИИ и биотеха
- Сдвиг от “черного ящика” к объяснимым моделям: важны не только ответы, но и химически корректная логика.
- Ускорение разработки лекарств: меньше бессмысленных экспериментов, быстрее переход к сильным кандидатам.
- Рост спроса на междисциплинарные команды: объединяются ИИ-инженеры, химики, биологи и специалисты по автоматизации лабораторий.
- Практическая ценность генеративного ИИ: он применяется не для контента, а для реальных научно-инженерных задач с измеримым эффектом.
История Коннора Коли хорошо показывает новый этап развития ИИ в науке: побеждают не те модели, которые просто генерируют больше вариантов, а те, что лучше понимают фундаментальные принципы предметной области. Для фармы это может означать более быстрый путь к новым терапиям, а для всей AI-отрасли, переход к более надежным и «физически осмысленным» системам.
Источник: MIT News (news.mit.edu)
