МГУ разработал ИИ-метод для быстрого поиска новых стабильных конформаций молекул

Сотрудники химического факультета Московского государственного университета имени М. В. Ломоносова разработали инновационный метод нахождения стабильных пространственных структур химических соединений, ранее не идентифицированных традиционными подходами моделирования.

Исследователи использовали передовые технологии, включая квантово-химические расчёты и алгоритмы машинного обучения, для создания алгоритма, способного анализировать геометрические вариации молекул. Новый метод позволяет выявлять недостающие конформационные состояния за 20-30 итераций.

Результаты научного исследования опубликованы в журнале Journal of Chemical Information and Modeling.

Молекулы обладают способностью принимать различные пространственные конфигурации, известные как конформации, каждая из которых характеризуется уникальными химическими и физическими свойствами. Для точного прогнозирования свойств химического соединения необходимо учитывать все возможные конформационные состояния.

Однако современные методы моделирования могут не выявлять наиболее стабильные конформации молекул.

Сотрудники химического факультета МГУ совместно с коллегами разработали метод, основанный на искусственном интеллекте, для обнаружения пропущенных конформаций в наборах молекулярных структур.

Алгоритм базируется на методе машинного обучения, известном как гауссовские процессы. На первом этапе модель обучается на данных об энергии вращения фрагментов молекулы относительно друг друга, полученных с помощью квантово-химических расчётов. В отличие от традиционных подходов, алгоритм фокусируется не только на нахождении глобального минимума энергии, но и на исследовании недостаточно изученных областей конформационного пространства. Это позволяет модели идентифицировать потенциально выгодные структурные особенности, даже если они не были обнаружены ранее проведёнными конформационными поисками.

Преимуществом подхода является его высокая эффективность: для выявления пропущенных конформаций требуется всего 20-30 итераций, что делает метод применимым для анализа крупных молекул с большим количеством заместителей.

Иван Беспалов, студент химического факультета МГУ имени М.В. Ломоносова и сотрудник группы теоретической химии Института органической химии имени Н.Д. Зелинского РАН, участвующий в проекте, поддержанном грантом Российского научного фонда, отметил, что в химии часто применяются классические методы машинного обучения, рассчитанные на ситуации с большим объёмом обучающих данных. Однако в химической науке задачи не всегда соответствуют этим условиям из-за высокой стоимости экспериментальных данных. Поэтому перспективным является использование байесовских методов, позволяющих модели самостоятельно оценивать свою достоверность. Это преимущество делает такие методы применимыми даже при ограниченном объёме данных, например, нескольких измерений. Именно с помощью байесовских методов, включая гауссовы процессы, удалось достичь полученных результатов.

Учёные протестировали разработанный алгоритм на 60 биологически значимых молекулах, таких как пептиды и лекарственные соединения, используя данные о конформациях, полученные с помощью метода CREST, одного из наиболее надёжных и современных подходов к конформационному поиску. Новый метод обнаружил ранее не идентифицированные конформации для 24 из 60 молекул, в некоторых случаях выявляя до 28 новых конформационных состояний.

При анализе соединений, содержащих амидные фрагменты — азотсодержащие функциональные группы, присутствующие во всех белках и пептидах, — алгоритм во всех случаях выявил пропущенные CREST энергетически выгодные формы.

Михаил Медведев, кандидат физико-математических наук и старший научный сотрудник группы теоретической химии Института органической химии имени Н.Д. Зелинского РАН, отметил, что разработанный метод значительно повышает надёжность молекулярного моделирования и ускоряет поиск новых стабильных органических и металлоорганических соединений с заданными свойствами, которые могут быть использованы в качестве лекарственных препаратов или катализаторов. Это важный шаг к созданию автоматических систем молекулярного моделирования, способных обеспечивать достоверные результаты с минимальным участием человека. В настоящее время учёные продолжают работу над другими цифровыми инструментами, объединяющими физические принципы и искусственный интеллект для решения других задач в области автоматизированного молекулярного моделирования, пишет icmos.