💡 Ученые из Института органической химии им. Н.Д. Зелинского РАН и МГУ имени М.В. Ломоносова разработали метод на основе искусственного интеллекта, который помогает находить пропущенные геометрии в наборах конформаций молекулы. Благодаря сочетанию квантово-химических расчетов и машинного обучения, исследователи повысили точность молекулярного моделирования: алгоритм находит недостающие геометрические варианты всего за 20-30 попыток. Исследование выполнено при поддержке Российского научного фонда.

➡️ Большинство молекул могут принимать несколько пространственных форм — геометрий, или конформаций — из-за вращения частей молекулы относительно друг друга. Каждая конформация имеет свои химические и физические свойства, поэтому для предсказания свойств соединения с помощью квантово-химического моделирования необходимо учитывать все его возможные геометрии. Важно отметить, что всего одна пропущенная конформация может качественно исказить результаты моделирования, сделав их бесполезными (а в некоторых случаях вредными) для создания целевого вещества. Однако даже самые точные современные методы могут упускать наиболее устойчивые конформации молекул.

Созданный метод использует гауссовы процессы — один из видов байесовского машинного обучения. Алгоритм анализирует, какие области конформационного пространства были исследованы недостаточно, и целенаправленно дополняет существующие наборы геометрий.

✔️ Авторы протестировали алгоритм на 60 биологически значимых молекулах, таких как пептиды и лекарственные соединения, используя данные о конформациях, полученные с помощью одного из наиболее надежных и современных методов конформационного поиска — CREST. Оказалось, что новый подход обнаружил конформации, которые упустил CREST, для 24 из 60 молекул. Причем в отдельных случаях метод нашел до 28 новых конформаций.

⚡Наибольшую эффективность алгоритм показал при анализе соединений, содержащих амидные фрагменты — алгоритм во всех случаях нашел пропущенные CREST энергетически выгодные формы.

«Разработанный нами метод позволяет существенно повысить надежность молекулярного моделирования и увеличить скорость поиска новых стабильных органических и металлоорганических веществ с заданными свойствами, которые потенциально могут стать, например, лекарственными препаратами или новыми катализаторами. Он станет важным шагом к автоматическому молекулярному моделированию, которое позволит надежно получать достоверные результаты с минимальным участием человека. Сейчас мы продолжаем работу над другими цифровыми инструментами, комбинирующими физику и искусственный интеллект, которые должны закрыть другие проблемы, отделяющие нас от этой цели», — подводит итог руководитель проекта, поддержанного грантом РНФ, Михаил Медведев, кандидат физико-математических наук, старший научный сотрудник группы теоретической химии ИОХ РАН

📌 Результаты опубликованы в Journal of Chemical Information and Modeling
🔗 Подробнее — в материале газеты «Коммерсант»

#новостинауки_РНФ #химия