ИИ против химического «океана» молекул
В разработке лекарств есть фундаментальная проблема: потенциально полезных молекул слишком много. По оценкам ученых, среди малых органических соединений кандидатов может быть от 10²⁰ до 10⁶⁰. Проверить такой объем вручную в лаборатории невозможно даже за десятки лет.
Именно поэтому в последние годы фарма и академическая наука активно внедряют искусственный интеллект. Алгоритмы помогают отсеивать слабые варианты, находить перспективные структуры и подсказывать, как синтезировать нужные вещества с меньшими затратами времени и ресурсов.
Кто стоит за этим направлением в MIT
Один из заметных исследователей в этой области, Коннор Коли (Connor Coley), работает на стыке химической инженерии и машинного обучения. В MIT у него сразу несколько академических ролей, объединяющих химию, computer science и вычислительные подходы к науке.
Ключевая цель его команды, создавать модели, которые умеют: анализировать огромные массивы возможных соединений, проектировать новые молекулы с нужными свойствами и предсказывать химические реакции, которые приведут к их получению.
От «чистой» инженерии к ИИ-моделям для синтеза
Во время учебы и научной работы Коли последовательно двигался к междисциплинарному формату. Он занимался и классической химической инженерией, и программированием, а в аспирантуре MIT включился в проекты по автоматизации реакций и вычислительному планированию синтеза.
Серьезным этапом стал проект Make-It, поддержанный DARPA. Там исследователи применяли cheminformatics (хемоинформатику, то есть анализ химических данных с помощью вычислительных методов) и ML для ускорения получения лекарственных молекул из простых исходных блоков.
Почему важна не только генерация, но и «химическая интуиция»
После работы в Broad Institute Коли вернулся в MIT и собрал лабораторию, которая делает ставку на практичный ИИ для фармы. Идея не в том, чтобы модель просто «рисовала» молекулы, а в том, чтобы она учитывала логику медицинской химии, как это делает опытный исследователь.
В этом контексте команда разработала модель ShEPhERD. Она оценивает потенциальные лекарственные молекулы по тому, как их трехмерная форма может взаимодействовать с белком-мишенью. Такой подход уже используется фармацевтическими компаниями в поиске новых кандидатов.
FlowER: когда ИИ учитывает законы природы
Еще один важный проект, генеративная модель FlowER, предназначен для прогноза продуктов химических реакций. Главное отличие в том, что в архитектуру заложены физические ограничения, например закон сохранения массы.
Кроме того, модель «заставляют» проверять реалистичность промежуточных стадий реакции. Для химика это естественный способ мышления, реакция всегда идет через механизм и шаги, а не «прыжком» из реагентов в продукт. По данным команды, такие ограничения повышают точность предсказаний.
Что это дает индустрии ИИ и фарме
- Меньше слепого перебора: ИИ с химическими ограничениями снижает число ложных гипотез.
- Быстрее путь к кандидатам: от идеи молекулы до лабораторной проверки проходит меньше времени.
- Ниже стоимость R&D: оптимизация экспериментов сокращает расход материалов и часов работы.
- Новый стандарт моделей: в науке растет спрос на «объяснимый» ИИ, который опирается на физику и химию, а не только на статистику.
Куда движется направление дальше
В лаборатории MIT параллельно развивают автоматизацию лабораторий, компьютерный анализ структуры веществ и оптимальный дизайн экспериментов. Все это складывается в единый тренд: ИИ в химии становится инженерным инструментом полного цикла, а не просто вспомогательным фильтром данных.
Для рынка это важный сигнал. Побеждать будут не те, кто генерирует больше молекул, а те, чьи модели глубже понимают механизмы реакций и быстрее доводят идеи до реального препарата.
Источник: MIT News (news.mit.edu)
