Исследователи из Института искусственного интеллекта AIRI представили новую нейросеть LAGNet, которая значительно ускоряет вычисление электронной плотности молекул — ключевого параметра в разработке лекарств. Эта технология может существенно облегчить работу фармацевтов и химиков.
Электронная плотность отражает распределение электронов в молекуле и важна для понимания её химических свойств. Традиционные методы анализа могут занимать от нескольких часов до пары суток. Нейросети справляются за 5–6 секунд, но обычно требуют огромных объёмов обучающих данных — для 12 миллионов молекул нужно до 100 терабайт информации.
LAGNet решает эту проблему благодаря использованию решётки Лебедева — метода оптимального размещения точек на сфере, разработанного в СССР в 1980-х годах. Благодаря этой математической идее, модель нуждается в 42 раза меньше данных и требует в 8 раз меньше пространства для хранения. Общий объём данных снижен до 12,5 ТБ, а обучение ускорено в 4 раза.
По точности LAGNet превосходит существующие аналоги — она вдвое точнее модели DeepDFT. Особенно хорошо она справляется с элементами 3–4 периодов таблицы Менделеева, такими как сера, бром и йод — они часто входят в состав медицинских препаратов.
Кроме вычислений, нейросеть может визуализировать молекулы, что помогает быстрее оценивать их свойства и выбирать кандидатов для дальнейшей разработки лекарств.
Пока что LAGNet не поддерживает некоторые типы веществ — например, литиевые соли и белки вроде инсулина или семаглутида. Однако в будущем разработчики планируют добавить и такую функциональность.
Как отметил Константин Ушенин, старший научный сотрудник группы «Глубокое обучение в науках о жизни» AIRI, успех LAGNet основан на комбинации трёх ключевых факторов: новой архитектуры нейросети, усовершенствованной подготовки данных и надёжных математических методов.
Электронная плотность отражает распределение электронов в молекуле и важна для понимания её химических свойств. Традиционные методы анализа могут занимать от нескольких часов до пары суток. Нейросети справляются за 5–6 секунд, но обычно требуют огромных объёмов обучающих данных — для 12 миллионов молекул нужно до 100 терабайт информации.
LAGNet решает эту проблему благодаря использованию решётки Лебедева — метода оптимального размещения точек на сфере, разработанного в СССР в 1980-х годах. Благодаря этой математической идее, модель нуждается в 42 раза меньше данных и требует в 8 раз меньше пространства для хранения. Общий объём данных снижен до 12,5 ТБ, а обучение ускорено в 4 раза.
По точности LAGNet превосходит существующие аналоги — она вдвое точнее модели DeepDFT. Особенно хорошо она справляется с элементами 3–4 периодов таблицы Менделеева, такими как сера, бром и йод — они часто входят в состав медицинских препаратов.
Кроме вычислений, нейросеть может визуализировать молекулы, что помогает быстрее оценивать их свойства и выбирать кандидатов для дальнейшей разработки лекарств.
Пока что LAGNet не поддерживает некоторые типы веществ — например, литиевые соли и белки вроде инсулина или семаглутида. Однако в будущем разработчики планируют добавить и такую функциональность.
Как отметил Константин Ушенин, старший научный сотрудник группы «Глубокое обучение в науках о жизни» AIRI, успех LAGNet основан на комбинации трёх ключевых факторов: новой архитектуры нейросети, усовершенствованной подготовки данных и надёжных математических методов.
