В мире потенциальных лекарственных молекул счет идет на астрономические числа, от 10^20 до 10^60 вариантов. Проверить их в лаборатории вручную невозможно даже за многие жизни. Поэтому фарма и академическая наука все активнее используют искусственный интеллект, чтобы заранее отбирать самые перспективные соединения.
Одним из заметных исследователей в этой области стал доцент MIT Коннор Коули. Он работает на стыке химической инженерии и машинного обучения, создавая модели, которые помогают проектировать новые молекулы, прогнозировать химические реакции и выбирать реалистичные пути синтеза.
ИИ для химии, а не «магия из черного ящика»
Главная идея лаборатории Коули проста: модели должны не просто угадывать результат, а опираться на реальные химические принципы. В классическом подходе нейросети иногда работают как «черный ящик», выдавая ответ без объяснения логики. В химии это рискованно, потому что ошибка может стоить месяцев работы и больших бюджетов.
Поэтому команда встраивает в модели базовые ограничения, например закон сохранения массы, и заставляет алгоритмы учитывать промежуточные стадии реакции. Это приближает ИИ к тому, как рассуждает живой химик: шаг за шагом, с проверкой, что каждый этап физически возможен.
Модель ShEPhERD: от 3D-формы к лекарствам
Один из проектов группы, ShEPhERD, оценивает будущие лекарственные молекулы по их трехмерной форме и тому, как они могут связываться с белком-мишенью. Проще говоря, система проверяет, подходит ли «ключ» молекулы к «замку» в организме.
Этот подход уже используется в фармацевтических компаниях. Он помогает быстрее отсекать слабые кандидаты и концентрировать ресурсы на молекулах с более высоким шансом стать рабочим препаратом.
FlowER: генеративный ИИ для прогноза реакций
Еще одна разработка, FlowER, относится к генеративным моделям. Она предсказывает, какие продукты получится получить при смешивании исходных веществ, и оценивает, насколько реалистичен путь от реагентов к финальной молекуле.
Ключевой результат: когда модель учитывает механизмы реакции и промежуточные шаги, точность заметно растет. Это важный сигнал для всей индустрии: в прикладной науке ИИ лучше работает не сам по себе, а в связке с фундаментальными законами предметной области.
Почему это важно для индустрии ИИ и фармы
- Скорость R&D: меньше времени уходит на слепой перебор молекул.
- Снижение затрат: ранний цифровой отбор уменьшает число дорогих лабораторных экспериментов.
- Выше шанс на прорыв: ИИ может предложить неочевидные структуры и новые маршруты синтеза.
- Новый стандарт моделей: отрасль движется от «просто генерации» к системам, которые понимают физику и химию процесса.
Карьерный путь, который отражает тренд
Коули пришел в MIT как аспирант-химик, а затем сфокусировался на cheminformatics (хемоинформатике, то есть анализе химических данных вычислительными методами) и автоматизации синтеза. Позже, уже как преподаватель, он расширил направление: от оптимизации готовых реакций к проектированию новых молекул и новых способов их получения.
Сегодня его лаборатория также занимается автоматизацией экспериментов и компьютерной расшифровкой структуры веществ. В сумме это формирует полноценный контур «ИИ + роботизированная химия», который может заметно изменить цикл разработки лекарств в ближайшие годы.
Что дальше
Работа MIT показывает, каким будет следующий этап научного ИИ: модели, которые не только быстро считают, но и мыслят в логике дисциплины. Для фарминдустрии это шанс сократить путь от идеи до клинического кандидата, а для рынка ИИ, еще одно подтверждение, что будущее за специализированными системами с глубоким пониманием домена.
Источник: MIT News (news.mit.edu)
