- 21,753
- 46
- 8 Ноя 2022
Нейросети путают физику с памятью при поиске новых лекарств.
Современные ИИ-системы, применяемые для проектирования лекарств, часто оказываются не столь «умными», как кажется. Новое исследование Университета Базеля, опубликованное в журнале Nature Communications , показало: даже самые передовые алгоритмы не понимают физику взаимодействия белков и молекул, а лишь запоминают шаблоны из обучающих данных.
Белки играют ключевую роль в биологии и медицине. Они могут быть как действующими веществами — например, ферментами или антителами, — так и целями для лекарственных средств. Поэтому первым шагом при создании новых препаратов обычно становится определение трёхмерной структуры белка.
Ещё недавно на это уходили годы лабораторных экспериментов. Ситуация изменилась, когда машинное обучение проникло в структурную биологию. Модели вроде AlphaFold и RosettaFold научились вычислять, как цепочка аминокислот сворачивается в белок. В 2024 году их разработчики получили Нобелевскую премию по химии.
Последние версии этих программ пошли дальше — они пытаются предсказать, как белок взаимодействует с другой молекулой, называемой лигандом. Такая возможность имеет огромное значение для разработки лекарств, ведь именно от точности «стыковки» зависит, сможет ли препарат подействовать.
Однако результаты оказались подозрительно успешными. Профессор Маркус Лилл и его коллеги из Базеля решили проверить, действительно ли модели усваивают законы физической химии или просто подгоняют ответы под знакомые шаблоны. Для обучения таких систем используется примерно 100 тысяч известных структур белков с лигандами — крайне мало по меркам ИИ.
Учёные изменили аминокислотную последовательность сотен белков, нарушив или полностью заблокировав участки, где к ним должны присоединяться молекулы. Но модели продолжали предсказывать прежние комплексы, будто взаимодействие осталось возможным. Аналогичные результаты наблюдались и при модификации самих лигандов: алгоритмы «не замечали» изменений.
В более чем половине случаев ИИ выдавал идентичные структуры. Это, по словам исследователей, доказывает: даже самые продвинутые модели не понимают, почему лекарство связывается с белком — они просто узнают знакомые паттерны.
Наибольшие трудности возникали при работе с белками, не похожими на те, что были в обучающем наборе. Именно такие белки особенно интересны фармакологам, ведь они открывают путь к принципиально новым лекарствам.
Авторы подчеркивают: предсказания ИИ нельзя принимать на веру — их нужно проверять экспериментально или с помощью симуляций, учитывающих реальные физико-химические свойства.
По мнению исследователей, будущее за гибридными моделями, которые объединят машинное обучение с законами физики. Такие системы смогут давать более точные и осмысленные результаты, помогая создавать препараты для тех белковых структур, что до сих пор оставались «тёмной зоной» фармацевтики.
Современные ИИ-системы, применяемые для проектирования лекарств, часто оказываются не столь «умными», как кажется. Новое исследование Университета Базеля, опубликованное в журнале Nature Communications , показало: даже самые передовые алгоритмы не понимают физику взаимодействия белков и молекул, а лишь запоминают шаблоны из обучающих данных.
Белки играют ключевую роль в биологии и медицине. Они могут быть как действующими веществами — например, ферментами или антителами, — так и целями для лекарственных средств. Поэтому первым шагом при создании новых препаратов обычно становится определение трёхмерной структуры белка.
Ещё недавно на это уходили годы лабораторных экспериментов. Ситуация изменилась, когда машинное обучение проникло в структурную биологию. Модели вроде AlphaFold и RosettaFold научились вычислять, как цепочка аминокислот сворачивается в белок. В 2024 году их разработчики получили Нобелевскую премию по химии.
Последние версии этих программ пошли дальше — они пытаются предсказать, как белок взаимодействует с другой молекулой, называемой лигандом. Такая возможность имеет огромное значение для разработки лекарств, ведь именно от точности «стыковки» зависит, сможет ли препарат подействовать.
Однако результаты оказались подозрительно успешными. Профессор Маркус Лилл и его коллеги из Базеля решили проверить, действительно ли модели усваивают законы физической химии или просто подгоняют ответы под знакомые шаблоны. Для обучения таких систем используется примерно 100 тысяч известных структур белков с лигандами — крайне мало по меркам ИИ.
Учёные изменили аминокислотную последовательность сотен белков, нарушив или полностью заблокировав участки, где к ним должны присоединяться молекулы. Но модели продолжали предсказывать прежние комплексы, будто взаимодействие осталось возможным. Аналогичные результаты наблюдались и при модификации самих лигандов: алгоритмы «не замечали» изменений.
В более чем половине случаев ИИ выдавал идентичные структуры. Это, по словам исследователей, доказывает: даже самые продвинутые модели не понимают, почему лекарство связывается с белком — они просто узнают знакомые паттерны.
Наибольшие трудности возникали при работе с белками, не похожими на те, что были в обучающем наборе. Именно такие белки особенно интересны фармакологам, ведь они открывают путь к принципиально новым лекарствам.
Авторы подчеркивают: предсказания ИИ нельзя принимать на веру — их нужно проверять экспериментально или с помощью симуляций, учитывающих реальные физико-химические свойства.
По мнению исследователей, будущее за гибридными моделями, которые объединят машинное обучение с законами физики. Такие системы смогут давать более точные и осмысленные результаты, помогая создавать препараты для тех белковых структур, что до сих пор оставались «тёмной зоной» фармацевтики.
- Источник новости
- www.securitylab.ru
