Международная команда исследователей представила инструмент на основе искусственного интеллекта, который предсказывает фармацевтические свойства лекарственных соединений, опираясь на молекулярные представления, построенные на основе накопленных человечеством знаний о химии. Разработку под названием MolMapNet описали в статье, опубликованной в журнале Nature Machine Intelligence. Над проектом работали специалисты Университета Цинхуа, Школы фармации Фуданьского университета, Национального университета Сингапура и Чжэцзянского университета.
Проблема: ИИ плохо «читает» неупорядоченные данные
Глубокое обучение уже давно применяется для анализа фармацевтических свойств молекул, но у существующих моделей есть системная слабость. Нейросети отлично справляются с пространственно упорядоченными данными вроде изображений, однако молекулярные свойства обычно представлены в виде неупорядоченных наборов признаков — и на таких данных качество предсказаний заметно проседает. При этом фармацевтические исследования требуют учитывать огромное количество молекулярных характеристик, накопленных в химической и биологической литературе, а научить ИИ работать с ними напрямую оказалось непросто.
Решение: превратить молекулы в изображения
Вместо того чтобы модифицировать саму архитектуру нейросети — а с ограниченным объёмом фармацевтических данных это сложная задача, — авторы MolMapNet пошли другим путём: преобразовали неупорядоченные молекулярные свойства в формат, который нейросети умеют распознавать лучше всего, — в двумерные изображения. Метод состоит из трёх этапов.
Сначала система на выборке из более чем 8 миллионов молекул выявляет внутренние взаимосвязи между молекулярными свойствами — эти закономерности могут служить косвенными индикаторами различных фармацевтических характеристик. Затем с помощью специально разработанной техники трансформации данных эти взаимосвязи переводятся в двумерные изображения, где расположение пикселей отражает найденные связи между свойствами. Наконец, инструмент распознавания изображений обучается на этих картинках и учится предсказывать по ним фармацевтические свойства — примерно так же, как модели компьютерного зрения по определённым визуальным признакам отличают, скажем, мужские лица от женских.
Результаты и доступность для непрофильных пользователей
По данным авторов, MolMapNet превзошёл современные (SOTA) модели на большинстве из 26 фармацевтических эталонных наборов данных, использованных для тестирования. Важная особенность инструмента — он не требует тонкой настройки параметров, а значит, им может пользоваться и человек без глубоких знаний в программировании или биологии.
Авторы рассчитывают, что MolMapNet поможет ускорить фармацевтические исследования и повысить эффективность предсказания различных свойств лекарственных соединений. В дальнейшем команда планирует доработать модель для применения в более широком спектре биомедицинских исследований.
Источник: MarkTechPost.