Главное
- Задача: на поздних этапах разработки лекарств молекулы модифицируют. Имея соединение-лидер, нужно решить, какие из тысяч возможных аналогов синтезировать в первую очередь, и ключевую роль играет прогноз реакционных центров (где связи рвутся и где образуются).
- Метод: Минот и соавторы в Nature Computational Science предложили замкнутый цикл из активного обучения и геометрического глубокого обучения: модель сама выбирает наиболее ценные эксперименты, их данные возвращаются и постоянно улучшают модель, а сеть с учётом симметрии извлекает больше информации из каждого размеченного эксперимента.
- Проверка: при разбиении по каркасам (scaffold split), более близком к реальным условиям поиска лекарств, графовые нейросети заметно превосходят XGBoost. Исследование также опубликовало открытый набор данных, который стал образцом проверки для экономной к данным химии.
Комментарий
Главное достоинство работы в «замкнутом цикле», а не в отдельной модели: активное обучение превращает сам выбор экспериментов в задачу оптимизации, а геометрическое глубокое обучение позволяет добиться многого на малых данных. Авторы при этом откровенны: у EquiformerV2 точность падает на самых сложных субстратах, и области по-прежнему нужны более крупные и разнообразные открытые данные о реакциях. Вопрос будущего уже не в том, «можно ли синтезировать эту молекулу», а в том, «какой из тысяч аналогов синтезировать первым».
Ссылка на оригинал: AI Chemists Learn Where to Break Molecules: Active Learning Steers Drug Discovery Reactions. Текст является кратким изложением и приведён только для справки.
