Как CheMeleon помогает прогнозировать свойства молекул по малому объёму данных

Как пишет MIT, поиск новых молекул с заданными свойствами является ключевым двигателем прогресса во многих отраслях: от фармацевтических компаний, ищущих новые лекарства, до производителей электроники и энергетики, которым нужны материалы с определёнными характеристиками. Однако этот процесс во многом остаётся методом проб и ошибок, поскольку пока не существует способа точно предсказать, как конкретное химическое соединение поведёт себя с точки зрения множества свойств и реакций, которые могут проявлять материалы. В последнее время для поддержки или ускорения трудоёмких расчётов, основанных на физических принципах, всё активнее применяют искусственный интеллект и машинное обучение. Такие подходы помогают понять, какие соединения стоит синтезировать и тестировать. Новый метод, разработанный в MIT, показал, что при малом количестве данных о каком-либо технологически значимом свойстве, например о сродстве лигандов к недавно открытой клеточной мишени для потенциального лекарства, он может превосходить другие существующие методы отбора перспективных молекул. Результаты опубликовали 14 сентября в журнале Journal of Chemical Information and Modeling. Статью написали аспирант MIT Акшат Ширish Залте, недавний выпускник Джексон Бернс, научный сотрудник Шарлз Абреу, профессор Уильям Грин и три исследователя химической компании BASF. Предварительная версия работы была размещена онлайн в прошлом году. Созданную командой модель с открытым исходным кодом под названием CheMeleon уже регулярно используют несколько фармацевтических компаний. Она построена на основе ChemProp, открытого пакета машинного обучения, который также разрабатывает и поддерживает группа Грина. Любой желающий может скачать CheMeleon через ChemProp и дообучить её под свои задачи. Ранее в этом году организаторы конкурса OpenADMET предложили участникам прогнозировать свойства новых молекул, которые ещё никогда не синтезировали. По словам Грина, профессора химической инженерии имени Хойта Хоттеля, конкурс был масштабным и в нём участвовало много людей. Когда объявили победителей, оказалось, что девять из двадцати лучших работ использовали CheMeleon. После этого от фармацевтических компаний начали поступать многочисленные запросы, хотя статья тогда только отправилась на рецензирование. Пока шёл процесс рецензирования, влияние работы уже распространялось. Грин рассказал, что как минимум одна фармкомпания разослала сотрудникам сообщение, в котором говорилось, что при моделировании любого свойства нужно начинать с CheMeleon, так как это новая политика компании при первичном выборе молекул для дальнейшей работы. Ключом к CheMeleon стало предварительное обучение модели машинного обучения на подробных данных о миллионе различных молекул. Так она учится выявлять связи между структурой молекулы и её поведением по отношению к каталогу примерно из 1600 дескрипторов, которые химики разрабатывали на протяжении десятилетий. После этого CheMeleon можно дообучить для прогнозирования как хорошо известных свойств, например растворимости и вязкости, так и более сложных характеристик, таких как биоактивность или реакционная способность по отношению к конкретному белку или ферменту. Миллион молекул составляет ничтожную долю из бесчисленного количества способов, которыми атомы могут соединяться друг с другом. Однако примеров достаточно, чтобы после обучения система самостоятельно выявила многие基础 закономерности и взаимосвязи и применяла их к новой, неизвестной молекуле. По словам Залте, большинству современных моделей глубокого обучения требуется больше данных, чем традиционным методам. Некоторые успешные модели опираются на обширные данные из опубликованной химической литературы. Команда же литературу вообще не использует. Вместо этого они рассчитывают набор молекулярных дескрипторов, например молекулярную массу или количество атомов кислорода, и на их предсказании строится задача предварительного обучения. CheMeleon является предобученной базовой моделью. По аналогии с известными базовыми моделями для языка, такими как ChatGPT и Claude, которые обучают на огромных объёмах информации из интернета, CheMeleon использует молекулярные дескрипторы миллиона молекул из PubChem, большой свободно доступной базы химических данных, которую поддерживают Национальные институты здравоохранения США. Классические экспертные модели, напротив, строятся на подробных знаниях, которые специалисты вручную вводят в систему. При их создании, как объясняет Залте, учёные на основе экспериментов знают, что интересующее свойство, например растворимость, может быть связано с определёнными дескрипторами, такими как молекулярная масса, количество атомов кислорода или степень разветвлённости и объёмности молекулы. В подходе команды можно взять существующую архитектуру нейронной сети и обучить её выявлять базовые принципы. По словам Залте, модель обучают не под конкретное свойство, а как общую модель, которая понимает химию на определённом уровне. Поэтому даже после дообучения на нескольких точках данных для нужной задачи она демонстрирует хорошие результаты, поскольку не должна учить всё с нуля. Для проверки полезности модели команда сравнила её не только с другими существующими базовыми моделями, но и с классическими моделями, опирающимися на экспертно разработанные принципы. Залте отмечает, что по результатам 58 тестовых случаев их модель оказалась лучшей. Грин добавляет, что базовая модель CheMeleon значительно сокращает количество молекул, которые нужно проверять экспериментально, чтобы точно предсказывать свойства новых соединений. По его словам, это огромное преимущество, поскольку синтез и испытания большого количества молекул медленны и дороги. Помимо сотрудников MIT, в команду вошли Йохен Зиг, Кристиан Фельдманн и Мириам Матеа из немецкой компании BASF SE. Работа поддержана консорциумом Machine Learning for Pharmaceutical Discovery and Synthesis, а также стипендиальной программой Министерства энергетики США и MathWorks. Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником.