Нейросеть использовали для точного прогноза свойств органических молекул

Ученые из Сколковского института науки и технологий, университета Тарту (Эстония) и университета Стратклайда (Великобритания) использовали трехмерную сверточную нейросеть для прогнозирования сложных физико-химических свойств органических молекул. По их мнению, сочетание молекулярных теорий с современными подходами машинного обучения позволяет более точно прогнозировать коэффициент биоконцентрации.

Нейросети

Исследования после теоретических расчетов обычно проводят на лабораторных животных, но вместо этого можно использовать нейросети. Первый способ заключается в том, что алгоритм генерирует максимально возможное количество моделей, описывающих взаимодействие молекул в живых организмах. На их основе получают параметры для построения математической модели — точной, однако сложной в интерпретации.

Во втором способе используют теорию молекулярной жидкости, которая описывает поведение веществ в растворах. Результат основывается на расчете пространственных распределений растворителей вокруг сольватированных веществ. Полученный прогноз нельзя считать достаточным, потому что в нем не учитывается зависимость от сложных физико-химических свойств органических молекул: свободной энергии растворения, неполного молярного объема, константы высаливания и энергии связи ядра.

Гибридный метод

Объединение методов моделирования и молекулярной теории стало основой для обучения трехмерной сверточной нейронной сети ActivNet4. Хотя модель использовала относительно простые 3D-дескрипторы, она способна достигать точности предсказания, сопоставимой с современными моделями c RMSE равной 0,66. В дальнейшем ученые планируют применить новый способ для изучения других сложных молекулярных свойств.

В начале июля 2018 года группа учёных из Калифорнийского технологического института создала распознающую нейросеть на основе молекул ДНК. Она обрабатывала данные, используя химические реакции: принимала определенный цвет в зависимости от вводимого символа.