Новая модель ИИ для разработки лекарств использует физику для повышения точности

(A) Иллюстрация атомного ядра и геометрического многообразия атома. Многообразие представляет пространственную границу, определяемую ван-дер-ваальсовым радиусом, который задает минимальное расстояние между атомными ядрами. (B) Иллюстрация многообразия, окружающего молекулу. (C) Иллюстрация точек сетки, полученных при дискретизации многообразия. (D) Конвейер NucleusDiff. NucleusDiff выполняет денойзинг-диффузию как на ядрах, так и на дискретизированных точках сетки, где расстояния между ними аппроксимируют ван-дер-ваальсовы радиусы. Автор: Proceedings of the National Academy of Sciences (2025). DOI: 10.1073/pnas.2415666122

Исследователи из Калифорнийского технологического института представили новую модель машинного обучения NucleusDiff, которая значительно улучшает точность прогнозирования в дизайне лекарств за счет включения физических ограничений.

Как объясняет Анима Анандкумар, профессор вычислительных и математических наук, существующие ИИ-системы, такие как AlphaFold, иногда предлагают «нефизичные» конфигурации — структуры, невозможные согласно законам физики, особенно при работе с данными, значительно отличающимися от обучающей выборки.

«С машинным обучением модель уже изучает многие аспекты того, что обеспечивает хорошее связывание, и теперь мы добавляем немного простой физики, чтобы исключить все нефизичные вещи», — объясняет Анандкумар.

NucleusDiff гарантирует, что атомы остаются на соответствующем расстоянии друг от друга, учитывая физические концепции, такие как силы отталкивания, предотвращающие столкновение атомов. Вместо вычисления расстояний между каждой парой атомов модель оценивает многообразие — приблизительную оболочку распределения атомов и вероятных местоположений электронов в молекуле.

Модель была обучена на наборе данных CrossDocked2020, содержащем около 100 000 комплексов белок-лиганд. Тестирование показало, что NucleusDiff значительно превосходит современные модели по точности предсказания сродства связывания, одновременно сокращая количество атомных столкновений почти до нуля.

При тестировании на мишени COVID-19 — 3CL протеазе — модель продемонстрировала повышенную точность и сокращение атомных столкновений до двух третей по сравнению с другими ведущими моделями.

Работа ведется в рамках инициативы AI4Science, направленной на интеграцию физики в модели ИИ для различных научных областей — от климатического прогнозирования до робототехники и сейсмологии.

«Если мы полагаемся исключительно на обучающие данные, мы не ожидаем, что машинное обучение будет хорошо работать на примерах, значительно отличающихся от обучающих данных. Включая физику, мы можем сделать машинное обучение более надежным и эффективным», — говорит Анандкумар.

Дополнительная информация: Shengchao Liu et al, Manifold-constrained nucleus-level denoising diffusion model for structure-based drug design, Proceedings of the National Academy of Sciences (2025). DOI: 10.1073/pnas.2415666122