Мы уже давно привыкли к тому, что нейросети помогают практически во всех сферах нашей жизни. Похоже, вскоре они будут еще более востребованными, ведь новый подход в их работе позволит предсказывать, как поведут себя вещества при взаимодействии, используя для этого минимальный набор входящих данных.

Как сообщает редакция журнала Journal of Physics: Condensed Matter, нейросеть, разработанная группой ученых из России, Эстонии и Великобритании, позволяет «спрогнозировать один из самых непредсказуемых факторов» — биологическую концентрацию вещества. Он является крайне важным для оценки эффективности любого биологического соединения от лекарства до яда и указывает на степень накопления исследуемого вещества в живом организме. Раньше для этого использовались лабораторные животные. Теперь же можно применять более современный подход.

Как же этого добиться? Есть 2 варианта: в первом случае нейросети нужно сгенерировать все возможные модели поведения молекул и взаимодействия их с живыми организмами. Такой подход будет довольно точным, но крайне ресурсоемким из-за огромного массива данных. Во втором случае нейросеть нужно обучить работать с молекулярной теорией жидкости. В этом случае интерпретация результатов будет быстрой (так как основана на заранее прописанных и довольно простых формулах), но не такой точной, как хотелось бы.

Группа экспертов из Университета Тарту (Эстония), Университета Стратклайда (Великобритания) и Сколковского института науки и технологий (Россия) разработала гибридный метод. Первым делом проводятся расчеты, основанные на молекулярной теории, а к ним уже применяются алгоритмы поведения и взаимодействия молекул. По словам одного из авторов работы, аспиранта Сколковского института науки и технологий Сергея Сосина,

«Разработанный нами метод позволяет существенно упростить прогнозирование экологической нагрузки от того или иного вещества. Но самое главное — это то, что мы разработали универсальный способ описания молекулы для передачи ее “образа” в трехмерную сверхточную нейронную сеть. В перспективе наши разработки позволят прогнозировать свойства различных экзотических молекул и принципиально новых соединений, для которых существующие методы поиска соотношений «структура — свойство» неприменимы.»