Машинное обучение сделает производство лекарств более экономичным

В Массачусетском технологическом институте (МТИ) создана система, основанная на принципах машинного обучения. Она позволяет специалистам получать молекулы необходимых веществ с использованием более дешевых реагентов. 

Разработанная учеными из МТИ система обучается на основе тысяч примеров эмпирических реакций и затем может выводить более экономичные химические цепочки для получения тех или иных веществ. Сейчас машина в состоянии предсказать последствия до 72% реакций, и даже такой результат значительно снижает нагрузку на химиков-инженеров, которые раньше проделывали все опыты вручную. 

Поскольку атомы одного вещества могут взаимодействовать с другим веществом на любых участках молекул, прогнозирование результатов реакций является особенно сложным. При этом одна органическая молекула, необходимая для производства лекарств, может состоять из десятков или даже сотен атомов. А реакция между двумя такими молекулами может затрагивать только несколько атомов, входящих в их состав. 
Таким образом, для точного прогнозирования системе необходимо держать под контролем и просчитывать тысячи вариантов взаимодействия между сотнями различных реагентов, которые часто вступают в реакции непредсказуемым для человека образом: той или иной последовательностью атомов на «реакционных участках» молекулы. 
 
Раньше инженеры строили частные компьютерные модели, чтобы предсказать расположение и последствия взаимодействия на реакционных участках. Однако подобный анализ требовал широкого списка исключений, уникальных для каждого из реагентов в различных средах. Кодировать эти исключения приходилось вручную, а их число нередко достигало несколько десятков. Причем обнаружение каждого исключения приравнивалось к небольшому научному открытию, достойному отдельной публикации.

Созданный учеными из МТИ искусственный интеллект взял все эти функции на себя. На основе уже имеющихся в распоряжении ученых патентов был сгенерирован список описаний известных реакций, а нейронная сеть помогает ранжировать их в порядке вероятности и просчитать еще неизученные сочетания. Таким образом удалось составить иерархию вероятностей тех или иных взаимодействий на реакционных участках. 

Как считают представители западных фармацевтических компаний, разработанная система предлагает уникальный подход к компьютерному обучению в области целевого синтеза. В будущем он может трансформировать существующую практику экспериментального проектирования препаратов в относительно простой машинный способ получения целевых молекул. 

«Конечно, сегодня мы уже многое знаем о протекании химических реакций, но для того, чтобы посмотреть на готовую молекулу вещества и принять решение, как именно вы будете ее синтезировать, необходимы исключительные навыки. Наша итоговая разработка будет выглядеть так: вы подходите к системе и говорите: “Я хочу получить такую молекулу”. И машина покажет вам, как этого добиться», – рассказал изданию Phys.org один из четырех разработчиков системы Клавс Йенсен.