Ученые ускорили создание молекул с помощью ИИ в 10 раз

Исследователи из Университета Флориды и Нью-Йоркского университета представили новый метод PropMolFlow (Property-guided Molecular Flow), который генерирует молекулы с заданными свойствами примерно в 10 раз быстрее существующих подходов, не теряя в точности.

Разработка лекарств и материалов часто начинается с поиска молекулы, обладающей нужными характеристиками, — это трудоемкий процесс проб и ошибок. Генеративный ИИ уже помогал сократить его, предлагая структуры молекул. PropMolFlow делает следующий шаг, используя инновационный алгоритм, который находит более прямой путь от случайного «шума» к валидной молекулярной структуре. В результате требуется около 100 вычислительных шагов вместо 1000.

«Для области, где вычислительная скорость напрямую переводится в скорость открытий, это представляет собой значительный прогресс», — говорит один из авторов работы, Минцзе Лю из Университета Флориды.

Метод не только быстрый, но и точный. Он генерирует молекулы с корректными связями и геометрией более чем в 90% случаев, превосходя базовые модели. Кроме того, PropMolFlow успешно воспроизводит целевые свойства молекул, такие как взаимодействие со светом или определенная электронная структура.

Важным аспектом стала проверка результатов. Чтобы избежать ситуации, когда «ИИ проверяет домашнюю работу ИИ», ученые валидировали сгенерированные молекулы с помощью теории функционала плотности — независимого квантово-химического метода, основанного на физических принципах. Предсказания нейросети хорошо согласовывались с этими расчетами.

«Такая проверка обеспечивает необходимую достоверность, чтобы к сгенерированным молекулам серьезно отнеслись для реальных применений», — отмечает Лю.

Авторы подчеркивают, что их метод открывает путь к более быстрым итерациям в исследованиях: генерировать тысячи кандидатов за минуты, отфильтровывать их вычислительно, проверять лучшие в эксперименте и использовать результаты для улучшения следующих циклов. Хотя работа с более крупными и сложными молекулами (например, для реальных лекарств) остается вызовом, предложенные принципы задают шаблон для более амбициозных задач.