Искусственный интеллект в разработке лекарств

Материал из MachineLearning.

(Различия между версиями)

Версия 21:30, 16 июля 2026

Содержание

1 Математическая репрезентация химических данных
2 Графовые нейронные сети (GNN) и виртуальный скрининг
3 Генеративный дизайн молекул (De Novo Design)
- 3.1 Вариационные автокодировщики (VAE)
- 3.2 Диффузионные модели
4 Предсказание структуры белков (AlphaFold)
5 От in silico к клинике: связь с доказательной медициной
6 Ограничения и вызовы
7 Литература
8 См. также

Статья написана с использованием LLM и проверена участником Dmitrii Vishovan 01:29, 17 июля 2026 (MSD)

Искусственный интеллект в разработке лекарств (Шаблон:Lang-en, дизайн in silico) — это междисциплинарная область на стыке машинного обучения, хемоинформатики и структурной биологии. Целью направления является автоматизация и ускорение процесса поиска, генерации и тестирования новых фармакологически активных соединений с использованием алгоритмов ИИ.

Традиционный цикл разработки нового лекарственного препарата (от поиска мишени до выхода на рынок) занимает в среднем 10–12 лет и стоит более 2,5 млрд долларов США, при этом более 90 % препаратов-кандидатов проваливаются на стадии клинических испытаний. Применение искусственного интеллекта позволяет радикально сократить пространство поиска, состоящее из $10^{60}$ возможных малых молекул, предсказывать свойства соединений до их физического синтеза и генерировать молекулы de novo, не имеющие аналогов в природе.

Математическая репрезентация химических данных

Фундаментальной проблемой применения методов машинного обучения в хемоинформатике является задача векторизации — преобразования дискретной химической структуры в непрерывное математическое представление (эмбеддинг), пригодное для дифференцируемой оптимизации. В современной вычислительной химии выделяют три базовые парадигмы репрезентации молекул:

Строковые линейные нотации (1D-представления): Наиболее распространенным стандартом является SMILES (Simplified Molecular-Input Line-Entry System) и его структурно-строгая альтернатива SELFIES (Self-Referencing Embedded Strings). Молекула описывается как одномерная последовательность символов, полученная путем обхода молекулярного графа (обычно в глубину). Данная парадигма позволяет напрямую адаптировать мощный аппарат NLP (в частности, архитектуру Трансформер) для задач языкового моделирования химии. Главный математический недостаток SMILES — проблема нестрогой инъективности: одна и та же молекула может иметь множество валидных строковых представлений, что требует применения канонизации графа или алгоритмов аугментации данных при обучении.
Молекулярные графы (2D-топология): Представляют собой топологически строгую абстракцию, где молекула описывается как неориентированный атрибутированный граф $G = (\mathcal{V}, \mathcal{E})$ . Множество вершин $\mathcal{V}$ соответствует атомам, а множество ребер $\mathcal{E}$ — ковалентным связям. Каждому узлу $v_i$ сопоставляется начальный вектор признаков $h_i \in \mathbb{R}^d$ (включающий атомарный номер, тип гибридизации, частичный заряд по Гастейгеру), а каждому ребру $e_{ij}$ — свойства химической связи. В отличие от строк, графовое представление инвариантно к перестановкам индексов атомов (permutation invariance), что делает его естественным входом для графовых нейронных сетей (GNN).
Пространственные репрезентации (3D-конформации): Описывают молекулу через набор непрерывных декартовых координат атомов $\mathbf{R} \in \mathbb{R}^{N \times 3}$ в трехмерном пространстве (например, в виде облаков точек или воксельных сеток). Поскольку физические взаимодействия (связывание лиганда с карманом белка-мишени) определяются пространственной комплементарностью и силами Ван-дер-Ваальса, 3D-представления критически важны для молекулярного докинга и оценки свободной энергии связывания. Обучение на таких данных требует использования архитектур, обладающих свойством $E(3)$ -эквивариантности (устойчивости предсказаний к трансляциям, ротациям и отражениям координатного пространства), таких как эквивариантные графовые сети (EGNN).

Графовые нейронные сети (GNN) и виртуальный скрининг

Виртуальный скрининг — это процесс алгоритмической фильтрации библиотек, содержащих миллиарды соединений, для поиска тех, которые с наибольшей вероятностью свяжутся с белком, вызывающим заболевание.

Современным стандартом для предсказания свойств молекул являются Графовые нейронные сети (GNN). В отличие от классического ML, GNN работают напрямую с топологией молекулы с помощью механизма передачи сообщений (Message Passing).

На каждом слое $l$ скрытое представление (эмбеддинг) атома $v$ обновляется путем агрегации информации от его соседей $\mathcal{N}(v)$ :

$h_v^{(l+1)} = \mathrm{UPDATE}^{(l)} \left( h_v^{(l)}, \mathrm{AGGREGATE}^{(l)} \left( \{ h_u^{(l)}, \forall u \in \mathcal{N}(v) \} \right) \right)$

После нескольких итераций передачи сообщений эмбеддинги всех атомов объединяются (операция Readout) в единый вектор молекулы, который подается на полносвязный слой для предсказания свойств.

Предсказание ADMET: GNN активно используются для решения задач регрессии и классификации в рамках профилирования ADMET (Absorption, Distribution, Metabolism, Excretion, Toxicity). Алгоритм предсказывает, будет ли молекула токсичной для печени, сможет ли она преодолеть гематоэнцефалический барьер и какова ее аффинность (сила связывания) к мишени. Знаменитым примером является открытие антибиотика галицина (Halicin) исследователями из MIT в 2020 году: графовая сеть проанализировала базу из 107 млн соединений и нашла молекулу с мощным антибактериальным эффектом, структурно непохожую на все известные антибиотики.

Генеративный дизайн молекул (De Novo Design)

Если виртуальный скрининг ищет лекарства в базах уже известных соединений, то генеративные модели создают молекулы с нуля (дизайн de novo).

Вариационные автокодировщики (VAE)

В пионерской работе Gómez-Bombarelli и соавт. (2018) молекулы в формате SMILES подавались на вход вариационному автокодировщику. Модель состоит из энкодера, который сжимает дискретную молекулу в непрерывное латентное пространство (latent space) с распределением $\mathcal{N}(\mu, \sigma^2)$ , и декодера, который восстанавливает строку SMILES из вектора.

Поскольку латентное пространство непрерывно и дифференцируемо, исследователи могут использовать градиентную оптимизацию прямо в этом пространстве. Двигаясь в направлении вектора, улучшающего целевое свойство (например, растворимость), алгоритм выбирает новую точку $z$ и декодирует ее в совершенно новую молекулу, оптимизированную под нужные параметры.

Диффузионные модели

В последние годы доминирующим подходом стали эквивариантные диффузионные модели (E(n) Equivariant Diffusion Models). Они генерируют молекулы сразу в 3D-пространстве, размещая атомы непосредственно внутри «кармана» целевого белка. Модель учится обращать процесс добавления гауссовского шума к координатам атомов, гарантируя, что сгенерированная конформация будет физически стабильной и химически валидной.

Предсказание структуры белков (AlphaFold)

Белки — это молекулярные машины, трехмерная структура которых определяет их функцию (и то, какое лекарство к ним подойдет). Задача предсказания 3D-структуры белка по его аминокислотной последовательности (фолдинг) оставалась нерешенной более 50 лет.

В 2020 году система AlphaFold 2 от компании Google DeepMind совершила революцию, решив эту задачу с атомарной точностью. Модель использует архитектуру Evoformer, которая одновременно обрабатывает эволюционные паттерны (множественные выравнивания последовательностей) и пространственные графы остатков. За эту разработку создателям была присуждена Нобелевская премия по химии в 2024 году. Знание точной структуры белков открыло путь для применения генеративных моделей ИИ к мишеням, для которых ранее не существовало рентгеноструктурных данных.

От in silico к клинике: связь с доказательной медициной

Разработка молекулы с помощью алгоритмов генеративного ИИ — это лишь первый этап. После успешного прохождения доклинических испытаний (на клетках и животных) препарат выходит на стадию клинических исследований на людях (R&D pipeline).

На этом этапе возникает потребность в разработке систем-компаньонов — прогностических моделей, которые будут предсказывать, ответит ли конкретный пациент на новое ИИ-лекарство (персонализированная медицина). Для оценки того, стоит ли внедрять такой прогностический алгоритм в реальную практику, традиционно используется Анализ кривых решений (Decision Curve Analysis, DCA). DCA позволяет математически доказать, что тестирование популяции перед назначением нового препарата приносит пациентам большую «чистую пользу» (Net Benefit), чем стратегии слепого назначения дорогостоящего лекарства всем подряд или полного отказа от терапии. Таким образом, цепочка ИИ замыкается: от генерации молекул с помощью графовых сетей до обоснования клинической полезности с помощью биостатистики.

Ограничения и вызовы

Синтезируемость: Генеративные модели часто предлагают молекулы со сложной геометрией, которые невозможно или экономически невыгодно синтезировать в реальной химической лаборатории. В современные loss-функции внедряются штрафы за сложность синтеза (Synthetic Accessibility Score).
Обобщение вне распределения (OOD): Модели, обученные на известных химических базах (например, ZINC или ChEMBL), плохо предсказывают свойства совершенно новых классов соединений (out-of-distribution generalization).
Нехватка качественных данных: Данные in vivo (результаты на людях и животных) крайне скудны, зашумлены и часто скрыты коммерческой тайной фармацевтических компаний.

Литература

Stokes J.M. et al. A Deep Learning Approach to Antibiotic Discovery // Cell. — 2020. — Т. 180. — № 4. — С. 688-702.
Gómez-Bombarelli R. et al. Automatic Chemical Design Using a Data-Driven Continuous Representation of Molecules // ACS Central Science. — 2018. — Т. 4. — № 2. — С. 268-276.
Jumper J. et al. Highly accurate protein structure prediction with AlphaFold // Nature. — 2021. — Т. 596. — С. 583-589.
Meyers J. et al. De novo design of targeted protein degraders with generative diffusion models // Nature Computational Science. — 2023.
Walters W.P., Barzilay R. Critical assessment of AI in drug discovery // Expert Opinion on Drug Discovery. — 2020. — Т. 16. — № 9. — С. 937-947.

См. также

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%98%D1%81%D0%BA%D1%83%D1%81%D1%81%D1%82%D0%B2%D0%B5%D0%BD%D0%BD%D1%8B%D0%B9_%D0%B8%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82_%D0%B2_%D1%80%D0%B0%D0%B7%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B5_%D0%BB%D0%B5%D0%BA%D0%B0%D1%80%D1%81%D1%82%D0%B2»

Категории: Машинное обучение в биологии | Глубокое обучение | Прикладные задачи машинного обучения

@@ Строка 6: / Строка 6: @@
 Традиционный цикл разработки нового лекарственного препарата (от поиска мишени до выхода на рынок) занимает в среднем 10–12 лет и стоит более 2,5 млрд долларов США, при этом более 90 % препаратов-кандидатов проваливаются на стадии клинических испытаний. Применение искусственного интеллекта позволяет радикально сократить пространство поиска, состоящее из <tex>10^{60}</tex> возможных малых молекул, предсказывать свойства соединений до их физического синтеза и генерировать молекулы ''de novo'', не имеющие аналогов в природе.
-== Представление химических данных для ML ==
+== Математическая репрезентация химических данных ==
-Для того чтобы нейронная сеть могла обрабатывать химические соединения, они должны быть переведены в машиночитаемый формат. Существует три основных парадигмы:
-# '''SMILES (1D):''' Текстовое представление молекулы в виде строки символов (например, <code>CC(=O)OC1=CC=CC=C1C(=O)O</code> для аспирина). Позволяет применять методы [[Обработка естественного языка|NLP]], такие как [[Трансформер (модель)|трансформеры]] и рекуррентные сети.
+Фундаментальной проблемой применения методов машинного обучения в хемоинформатике является задача векторизации — преобразования дискретной химической структуры в непрерывное математическое представление (эмбеддинг), пригодное для дифференцируемой оптимизации. В современной вычислительной химии выделяют три базовые парадигмы репрезентации молекул:
-# '''Молекулярные графы (2D):''' Естественное топологическое представление, где атомы являются узлами графа (<tex>\mathcal{V}</tex>), а химические связи — ребрами (<tex>\mathcal{E}</tex>). Каждому узлу и ребру назначается вектор признаков (тип атома, гибридизация, заряд).
-# '''Вокельные и облачные представления (3D):''' Пространственные координаты атомов, используемые для предсказания физического взаимодействия молекулы с белком-мишенью (докинга).
+# '''Строковые линейные нотации (1D-представления):''' Наиболее распространенным стандартом является SMILES (Simplified Molecular-Input Line-Entry System) и его структурно-строгая альтернатива SELFIES (Self-Referencing Embedded Strings). Молекула описывается как одномерная последовательность символов, полученная путем обхода молекулярного графа (обычно в глубину). Данная парадигма позволяет напрямую адаптировать мощный аппарат [[Обработка естественного языка|NLP]] (в частности, архитектуру [[Трансформер (модель)|Трансформер]]) для задач языкового моделирования химии. Главный математический недостаток SMILES — проблема нестрогой инъективности: одна и та же молекула может иметь множество валидных строковых представлений, что требует применения канонизации графа или алгоритмов аугментации данных при обучении.
+# '''Молекулярные графы (2D-топология):''' Представляют собой топологически строгую абстракцию, где молекула описывается как неориентированный атрибутированный граф <tex>G = (\mathcal{V}, \mathcal{E})</tex>. Множество вершин <tex>\mathcal{V}</tex> соответствует атомам, а множество ребер <tex>\mathcal{E}</tex> — ковалентным связям. Каждому узлу <tex>v_i</tex> сопоставляется начальный вектор признаков <tex>h_i \in \mathbb{R}^d</tex> (включающий атомарный номер, тип гибридизации, частичный заряд по Гастейгеру), а каждому ребру <tex>e_{ij}</tex> — свойства химической связи. В отличие от строк, графовое представление инвариантно к перестановкам индексов атомов (permutation invariance), что делает его естественным входом для [[Графовая нейронная сеть|графовых нейронных сетей (GNN)]].
+# '''Пространственные репрезентации (3D-конформации):''' Описывают молекулу через набор непрерывных декартовых координат атомов <tex>\mathbf{R} \in \mathbb{R}^{N \times 3}</tex> в трехмерном пространстве (например, в виде облаков точек или воксельных сеток). Поскольку физические взаимодействия (связывание лиганда с карманом белка-мишени) определяются пространственной комплементарностью и силами Ван-дер-Ваальса, 3D-представления критически важны для молекулярного докинга и оценки свободной энергии связывания. Обучение на таких данных требует использования архитектур, обладающих свойством <tex>E(3)</tex>-эквивариантности (устойчивости предсказаний к трансляциям, ротациям и отражениям координатного пространства), таких как эквивариантные графовые сети (EGNN).
 == Графовые нейронные сети (GNN) и виртуальный скрининг ==