Учёный MIT учит AI понимать химию для разработки новых лекарств

Коннор Коля из Массачусетского технологического института работает на стыке химии и машинного обучения. Его новый подход помогает AI-системам не просто находить закономерности в данных, но и понимать фундаментальные принципы химии — и использовать эти знания для разработки новых лекарств.

Почему обычного ML недостаточно

Традиционные модели машинного обучения натренированы на огромных объёмах данных и ищут закономерности. Но в химии этого недостаточно: молекула, которая выглядит похожей статистически, может иметь совсем другие свойства. Нужно, чтобы AI понимала реальные химические правила — как атомы взаимодействуют, почему электроны распределяются определённым образом. Именно поэтому Коля встроил в свои модели химические принципы. AI теперь не угадывает, а рассуждает — как химик с опытом.

Как это работает В подходе

Коли используются так называемые физически обоснованные нейросети (physics-informed neural networks). Они сочетают мощь глубокого обучения с явными ограничениями, которые берут из химии. Модель может предложить молекулу, которая: Никогда не встречалась в обучающей выборке Но соответствует химическим законам — не нарушает валентность, электронный баланс * И, вероятно, обладает нужными свойствами для лекарства Это как дать AI не просто набор примеров, а учебник химии и попросить решить творческую задачу.

Применение и потенциал > «Мы хотим, чтобы AI не просто предсказывала,

какие молекулы сработают, но и могла объяснить почему», — говорит Коля. Такой подход уже показывает результаты. AI находит кандидатов на лекарства, которые человеческие химики прошли бы мимо — потому что они странные или нетипичные, но тем не менее функциональны. Это ускоряет первые этапы разработки: вместо того, чтобы синтезировать сотни соединений, можно сначала отфильтровать 10–20 лучших вариантов. Для фармацевтики это критично: разработка одного лекарства стоит миллиарды и длится годы.

Что это значит Это признак того, как меняется машинное обучение.

Первое поколение AI было чисто статистическим — угадывало паттерны. Второе поколение встраивает в себя экспертные знания и физические законы. AI становится не просто инструментом поиска, а исследователем, который рассуждает по правилам. Для химии и биологии это может означать ускорение не только разработки лекарств, но и открытия новых материалов и катализаторов.