• Ученые из группы «Глубокое обучение в науках о жизни» разработали метод, который позволит симулировать поведение органических молекул в 2 тысячи раз быстрее, чем при традиционном подходе.
• Компьютерное моделирование является ключевым инструментом фармацевтической отрасли для предсказания свойств молекул без синтеза.
• Методы на основе теории функционала плотности (DFT) требуют значительного времени на вычисление, в отличие от нейросетей.
• Один из нейросетевых способов компьютерного моделирования использует нейросетевые потенциалы (NNP) для предсказания энергии молекулярных конформаций.
• Команда исследователей из AIRI, ФИЦ ИУ РАН, МФТИ и Университета Констрактор в Бремене доказала, что оптимизация с использованием NNP примерно в 2 тысячи раз быстрее, чем оптимизация с помощью DFT-симулятора.
• Однако нейронные потенциалы, обученные на обычных открытых наборах данных, нельзя использовать для задач оптимизации без дообучения.
• Чтобы получить качество, сравнимое с физическими симуляторами, необходимо собрать и посчитать энергию для примерно полумиллиона дополнительных конформаций.
• Исследователи предложили новый фреймворк GOLF (Gradual Optimization Learning Framework) для уменьшения количества необходимых дополнительных данных при обучении нейронного потенциала.
• GOLF использует суррогатный симулятор на базе простой эмпирической модели молекулярных силовых полей, что позволяет сократить число дополнительных конформаций в 50 раз.
• Научная группа также активно занимается развитием других инструментов для фармацевтической отрасли.