Нейросеть вступила в реакцию: как цифровые инструменты меняют создание новых молекул

Искусственный интеллект добрался до химии. Вместо пробирок и реактивов он предлагает использовать расчеты и моделирование, предсказывая реакции и исследуя соединения на уровне отдельных атомов. Но трудности с этими технологиями пока тоже есть: нейросети ошибаются, а данных для обучения моделей часто не хватает.

Какие цифровые инструменты используют в химии? Может ли ИИ придумать новую молекулу или создать лекарство от тяжелой болезни? Об этом порталу Наука.рф рассказал руководитель группы теоретической химии Института органической химии им. Н. Д. Зелинского РАН (ИОХ РАН), советник директора Центра информационных технологий и систем органов исполнительной власти им. А. В. Старовойтова (ЦИТиС), лауреат Научной премии Сбера в номинации «AI в науке. Физический мир», участник проекта «Наука в лицах» Михаил Медведев.

 — Михаил, объясните, что такое цифровая химия и чем она отличается от классической?

 — Это большое направление, в котором мы решаем задачи в области химии, но с помощью цифровых инструментов: моделирования, анализа данных, искусственного интеллекта и других. Благодаря таким подходам мы можем управлять химическими реакциями, понять, как химический процесс происходит на атомарном уровне, и предсказывать, какие еще не созданные материалы и вещества будут иметь интересующие нас свойства.

Модели в цифровой химии могут опираться как на стандартные методы искусственного интеллекта (нейронные сети, градиентный бустинг и т. д.), так и быть молекулярными, то есть, имитировать реальный химический процесс на атомарном уровне. Если стандартные модели могут предсказывать свойства еще не полученных материалов, то молекулярные модели могут еще и показать, какие процессы на молекулярном уровне приводят к этим свойствам.

В экспериментальной химии реакции зачастую выглядят однообразно: один прозрачный раствор сливают с другим — получают новый прозрачный раствор. А на деле прошла интересная химическая реакция и получилась основа для лекарства от какой-нибудь болезни. Экспериментальные физико-химические методы зачастую позволяют установить, что получилось в реакции, но ни один из них не позволяет увидеть химический процесс на уровне отдельных атомов. Молекулярное моделирование это может. Оно становится мощнейшим микроскопом, через который видно динамику атомов в мельчайших деталях.

 — Какие ИИ-технологии используют в химии: языковые модели, нейронные сети или что-то еще?

 — Зависит от задачи. Для предсказания свойств молекулы и протекания реакции (прямой задачи) часто применяют полносвязные нейронные сети*, градиентный бустинг* или даже полиномы*. Для анализа литературы — большие лингвистические модели вроде ChatGPT. Для изучения экспериментальных данных — модели с механизмом внимания* и компьютерное зрение. Для генерации молекул с нужными свойствами (обратной задачи): языковые, фундаментальные и диффузионные модели, flow-matching* и байесовские методы, основанные на Теореме Байеса. К слову, эта теорема позволяет создавать методы искусственного интеллекта, которые не просто дают предсказания, но и сопровождают их доверительным интервалом, что критично важно для принятия ответственных решений.

 — Может ли ИИ делать ошибки в химических расчетах? Бывают ли у него галлюцинации?

 — Конечно. В классических моделях ИИ они случаются из-за переобучения (когда дали мало информации слишком гибкой модели) и экстраполяции (когда задача находится далеко от области обучения). В результате модель строит картину мира, которая не соответствует действительности, и ошибается. Молекулярное моделирование, в свою очередь, все строится на приближениях. Их корректный выбор — одна из ключевых задач исследователя.

Чтобы не было ошибок и галлюцинаций, нужно строить модели аккуратно, постоянно проверять, что они не переобучены, не происходит экстраполяции, а приближения адекватны. Важную роль играет валидация: на хотя бы одном-двух реальных экспериментальных примерах проверяют, совпадает ли предсказание модели с экспериментом.

 — С какими задачами в химии искусственный интеллект лучше всего справляется?

 — Сейчас он показывает успехи по всем четырем классам задач, необходимых для проведения химического исследования: изучение литературы, анализ экспериментальных данных, прямая задача (какое свойство будет иметь конкретное вещество или как пойдет конкретная реакция) и обратная задача (какая молекула будет иметь нужное свойство или какая реакция пойдет так, как нам нужно). Из них самая сложная для ИИ — последняя. По ней я ожидаю научных прорывов в будущем.

 — Может ли нейронная сеть придумать новое соединение или предложить процесс, о котором специалист не знал?

 — Это и есть обратная задача. Глобально может: для этого используют в том числе алгоритмы на основе технологии flow-matching* и больших лингвистических моделей (LLM)*. Молекулы легко генерируются. Но насколько эффективны эти решения, сказать трудно. Пока что они не сильно обгоняют человека.

 — Вы разрабатываете алгоритмы конформационного поиска. Для чего нужна эта технология?

 — Это одно из многих направлений, которыми мы занимаемся. Начну издалека. Обычная химия работает методом «научного тыка»: ученый пробует что-то сделать, у него не получается, он ищет причину, пробует по-другому, выдвигает гипотезы. Цифровая химия переносит «метод тыка» в компьютер. На это уходит меньше растворителей и времени. На основе расчетов система выбирает из тысячи возможных реакций десять, которые действительно стоит попробовать и которые позволят ему получить конечный продукт.

Для этой операции в цифровой химии используют два подхода. Если данных много, обучают искусственный интеллект. Если данных мало — а такое бывает чаще всего — на помощь приходят знания физических законов и квантовой физики. Вооружившись ими, можно строить молекулярные модели, моделировать взаимодействие атомов, решать уравнение Шрёдингера*, описывать взаимодействие электронов и молекул.

При этом важно знать, какие атомы следует взять, и найти все конфигурации этих атомов. Просто представьте: в одной колбе находится примерно 10²⁰ молекул, и каждая реагирует по-своему. То, какую форму имеет молекула, вступая в реакцию, называется конформацией. Соответственно, конформационный поиск помогает определить, в каких формах молекула может находиться в растворе, участвовать в превращении и проявлять свойства, которые мы наблюдаем в эксперименте.

Но есть еще одна проблема: уравнение Шрёдингера. Его нужно решать для каждой новой молекулы, и это всегда выбор между скоростью и точностью. Помогает искусственный интеллект. У нас по этой теме вышло уже около десятка статей, одна из них — в журнале Science.

 — То есть, когда данных не хватает, вы знакомите ИИ с законами физики, чтобы он мог обучаться на малом количестве примеров?

 — Да. Когда мы обучаем ИИ, много данных уходит на то, чтобы он просто понял, в какой вселенной оказался. Если данных не хватает, мы можем использовать физическое информирование, в том числе законы термодинамики и другие научные знания. Мы не можем дать нейросети весь путь, по которому ученые пришли к формулам. Но мы можем дать сами формулы — и сказать, что наш мир им подчиняется.

В этом случае модель может обучаться всего на нескольких примерах и работать хорошо. Или вообще не обучаться — есть модели, которые уже предобучены. А есть такие, которые нужно доучивать под конкретную реакцию.

 — Над какими еще проектами сейчас работаете? Есть ли уже практические результаты?

 — Мы идем широким фронтом. Со мной работает около 90 сотрудников. Помимо уже упомянутых методов конформационного поиска, мы разрабатываем методы теории функционала плотности, как с ИИ, так и без него. Среди других наших направлений: молекулярное моделирование (оно позволяет понимать, как протекает химический процесс, чтобы более точно им управлять) и применение ИИ для предсказания результатов реакций и свойств соединений. Моделирование и ИИ подходят к этим задачам с разных сторон, но благодаря моделированию мы еще и понимаем процесс на уровне атомов.

Ряд задач связан с силовыми полями — еще одним крупным направлением в цифровой химии. Здесь мы тоже создаем методы молекулярного моделирования. Но вместо поведения электронов обучаем модель взаимодействиям между атомами. Этот подход позволяет уйти от физической картины мира с электронами, движущимися в поле атомных ядер, к упрощенной, где мельчайшими частицами являются атомы. Такой переход возможен только с помощью методов искусственного интеллекта.

 — Есть ли интерес к этим разработкам со стороны предприятий?

 — Интерес точно есть. У нас уже был проект в 2023 году с компанией Samsung по молекулярному моделированию с использованием силовых полей. Также мы сотрудничали с ПАО «Газпром нефть», создавали модель химического реактора с использованием ИИ-технологий. Сейчас ведем переговоры с другим потенциальным партнером.

 — Как думаете, когда цифровая химия войдет в масштабную практику?

 — Она уже вошла. С 1980-х годов многие лекарства разрабатываются с использованием методов, которые являются предшественниками современной цифровой химии. По многим задачам современные технологии уже прошли точку принятия. Сейчас практически невозможно опубликовать высокоуровневую статью в химическом журнале, не объяснив наблюдаемые эффекты на молекулярном уровне с помощью цифровой химии.

При этом у применения ИИ в химии есть две ключевые проблемы. Первая: недостаток данных. В химии их мало и они плохо собираются. От лабораторных исследований до научной публикации доходит примерно 30% результатов. Поэтому нужны цифровые инструменты для удобного сбора экспериментальных данных и нахождения ошибок в них.

Вторая трудность: доступ к цифровым инструментам. Химик, который хочет попробовать такой инструмент, должен поставить Linux, скачать программу с GitHub, скомпилировать ее или заключать договор о покупке лицензии с зарубежной компанией.

 — Как можно решить эту проблему?

 — Я вижу решение в создании отечественной цифровой платформы, которая объединит пользователей, разработчиков инструментов и суперкомпьютерные центры, чтобы любой ученый мог запустить химические расчеты в браузере. Мы сейчас работаем над этим в ЦИТиСе.

 — Звучит перспективно! Помимо этой задачи есть еще что-то, что вас вдохновляет? Какое будущее хотелось бы видеть в науке?

 — Директор химического лицея, в котором я учился, однажды сказал важную вещь: «если в вашей научной деятельности вопросов становится меньше, значит, вы идете не туда». Хорошая наука не имеет завершения, она всегда приводит к новым вопросам.

Поэтому мне хотелось бы не решить какую-то одну задачу, а создать сообщество ученых — экосистему, способную справляться с самыми сложными вызовами: поиском лекарств от тяжелых заболеваний, решением проблем в экологии, освоением космоса. Наука помогает нам глубже понимать мир и делать его лучше. На протяжении всей истории, в разные эпохи человечество сталкивается с разными трудностями. И когда появятся новые вызовы, я хочу, чтобы мы и с ними справились.

Беседовала Анна Шиховец