Новое поколение нейронных сетей научили предсказывать свойства органических соединений

Исследователи из России, Эстонии и Великобритании создали новый метод прогнозирования важного свойства органических молекул – фактора биоконцентрации. Новый подход, основанный на классических моделях физико-химических взаимодействий растворителя с растворяемым веществом и современных методах машинного обучения, позволяет предсказывать сложные свойства веществ, используя минимальный набор исходных данных. Результаты исследования опубликованы в журнале Journal of Physics: Condensed Matter.

Фактор биоконцентрации характеризует степень накопления вещества в живых организмах и является одним из важнейших свойств органических веществ, используемых при оценке безопасности того или иного химического соединения. Оценить этот параметр на практике можно путем добавления исследуемого вещества, например, в емкость с живой рыбой, а через некоторое время —  измерения его концентрации в рыбе и в окружающей воде. Но как оценить фактор биоконцентрации чисто теоретически, без проведения дополнительных экспериментов?

Первый способ: сгенерировать множество параметров (дескрипторов), описывающих молекулы, и построить на основе этих данных математическую модель. Она может получиться точной, но плохо интерпретируемой за счет большого числа параметров. Что еще хуже, модель может работать неудовлетворительно для соединений, слишком отличающихся от представленных в обучающей выборке.

Второй подход основан на молекулярной теории жидкости, описывающей поведение веществ в растворах. Поскольку биоконцентрация – это сложный параметр, зависящий от множества факторов, то напрямую предсказать биоконцентрацию по физико-химической теории не получится.

Ученые из Сколтеха, Университета Тарту (Эстония) и Университета Стратклайда (Великобритания), под руководством профессора Сколтеха Максима Федорова разработали гибридный метод предсказания фактора биоконцентрации. Cначала они проводят физико-химические расчеты, на основе которых определяют трехмерные плотности водорода и кислорода вокруг изучаемой молекулы, а потом применяют к этим данным 3D сверточные нейронные сети. Такую технологию успешно используют для распознавания изображений. Этот подход демонстрирует, что для описания сложных свойств органических веществ достаточно небольшого объема исходной информации.

«Разработанный нами метод позволит существенно упростить прогнозирование экологической нагрузки от того или иного вещества. Но самое главное в нашей работе — это то, что мы разработали универсальный способ описания молекулы для передачи ее “образа” в трехмерную сверточную нейронную сеть. В перспективе наши разработки позволят прогнозировать свойства различных экзотических молекул и принципиально новых соединений, для которых существующие методы поиска соотношений “структура — свойство” неприменимы», – рассказывает аспирант Сколтеха Сергей Соснин, первый автор опубликованной статьи.