Прогнозирование свойств молекул — сложная задача в разработке лекарств. Квантовая химия работает медленно, особенно с большими базами данных, а современные ИИ-модели либо громоздкие, либо неточные.

Группа ученых из Шаньдунского университета под руководством Сюэфэна Цуя и Вэй Чжао предложила решение — легкую, но мощную модель MetaGIN.

Результаты опубликованы в издании Frontiers of Computer Science.

Как это работает

• 3-hop свертка — вместо анализа всех связей в молекуле сразу модель фокусируется на локальных участках, но учитывает их в трех шагах, чтобы не упустить важные детали.
• Глобальный обзор — после локального анализа информация объединяется, чтобы понять структуру молекулы целиком.

3-hop свертка — метод в нейросетях, где модель анализирует не только ближайшие связи атомов (как в обычной свертке), но и связи их соседей, и даже соседей соседей. Это как изучать не только друзей человека, но и друзей его друзей, чтобы лучше понять его характер.

На тестах MetaGIN показала точность (средняя абсолютная ошибка — 0.0851 на PCQM4Mv2), обогнав более сложные аналоги, при этом в ней меньше 10 миллионов параметров. Это как разогнать спортивную машину на малом объеме двигателя.

Что дальше? Ученые планируют добавить предобучение для молекул — это сделает модель еще универсальнее.

MetaGIN ускорит скрининг потенциальных лекарств: фармкомпании смогут быстрее и дешевле отбирать молекулы-кандидаты, не жертвуя точностью. Особенно ценно для редких заболеваний, где каждый день на счету. Модель также снизит зависимость от дорогих квантово-химических расчетов, сделав исследования доступнее для стартапов.

Модель тестировали на ограниченном наборе данных (PCQM4Mv2, MoleculeNet). Реальная химическая сложность — например, взаимодействие молекул с белками — может потребовать доработок. Кроме того, авторы не уточнили, как MetaGIN поведет себя с неизвестными типами связей.

Ранее российские ученые синтезировали новые вещества с противораковыми свойствами.