ИИ поможет построить карту химического пространства
Ученые из "Сколтеха" (Центр научных и инженерных вычислительных технологий для задач с большими массивами данных) и Мюнхенского центра им. Гельмгольца по исследованию окружающей среды и здоровья (HMGU, Германия) создали нейронную сеть для визуализации химического пространства соединений, которые представляют интерес для фармацевтики.
Разработанный метод поможет создавать новые химические соединения и ориентироваться в пространстве уже имеющихся.
Перед химиками часто возникает задача проанализировать огромные базы данных, содержащие десятки и сотни тысяч химических структур и отобрать среди них наиболее перспективные. Для этого химик должен понимать, какие классы соединений есть в базе данных. Но пролистать многотысячный список молекул – сложное занятие. Хорошая идея – разместить молекулы в виде точек на плоскости или в пространстве так, чтобы похожие молекулы оказались рядом. Тогда появляется возможность изучать химическое пространство при помощи простой программы наподобие того, как географ может изучать ландшафт при помощи электронных карт на разных масштабах: для общего понимания ситуации и детального анализа отдельных участков.
Совместная группа исследователей из центра "Сколтеха" CDISE и Мюнхенского центра им. Гельмгольца использовали методы искуственного интеллекта, которые позволяют извлекать информацию непосредственно из данных. Ученые "скрестили" популярный метод снижения размерности t-SNE с глубокой нейронной сетью. Это позволило создать нейронную сеть, которая, получив (многомерную) структуру интересующего соединения на вход, генерирует координаты этого соединения в наглядном двумерном виде на некой плоскости. При этом молекулы со схожими свойствами оказываются расположены рядом, что позволяет группировать соединения по классам, соответствующим тому или иному свойству. Авторы исследования обучили нейросеть на миллионах соединений с известной биологической активностью.
"Мы адаптировали метод t-SNE для визуализации химического пространства фармацевтически интересных соединений, натренировав глубокую нейросеть и выбрав удобные дескрипторы, а также метрику для расчета расстояний в многомерном пространстве. Мы также показали, что данный подход позволяет сохранить больше информации по сравнению с некоторыми другими методами снижения размерности, а скорость работы сравнима со скоростью работы метода главных компонент", - рассказывает научный сотрудник "Сколтеха", первый автор исследования Дмитрий Карлов.
Ученые планируют в дальнейшем создать ряд программ для химиков и фармацевтов которые позволят исследователям посмотреть как распределены новые, неизученные соединения относительно уже изученных и описанных в литературе. Это поможет быстрее выполнять R&D фазу исследований при поиске новых лекарств.
