arXiv · 12.07.2026 ·Исследования и наука

Новый метод машинного обучения для моделирования белков и лекарств

Исследователи представили новый подход к созданию потенциалов межмолекулярного взаимодействия на основе машинного обучения, который позволяет моделировать сложные биомолекулярные системы с точностью методов ab initio. Разработка решает проблему низкой скорости вычислений, характерную для существующих моделей, открывая возможности для проведения симуляций микросекундного масштаба, критически важных для фармацевтических исследований и дизайна новых лекарственных препаратов.

Традиционные методы, такие как теория функционала плотности (DFT), требуют огромных вычислительных затрат, что ограничивает их применение при изучении динамики белков. Использование классических силовых полей ускоряет процесс, но существенно проигрывает в точности. Предложенный метод «неявного растворителя» (implicit solvent) позволяет эффективно учитывать влияние среды, сохраняя при этом высокую скорость инференса, сопоставимую с классическими подходами, но с квантово-химической точностью.

Эта технология позволяет исследователям моделировать взаимодействие лекарств с белками-мишенями в условиях, приближенных к реальности, значительно быстрее существующих аналогов. Масштабируемость метода делает его перспективным инструментом для высокопроизводительного скрининга молекул, где требуется анализ миллионов комбинаций за ограниченное время.

Ключевые факты

Разработанный метод машинного обучения обеспечивает точность, сопоставимую с теорией функционала плотности (DFT).
Технология ориентирована на моделирование биомолекулярных систем, включая белки и малые молекулы лекарств.
Новый подход преодолевает ограничение по времени инференса, которое ранее препятствовало проведению симуляций длительностью в микросекунды.
Метод использует архитектуру потенциалов машинного обучения (MLP) с интеграцией неявного растворителя для повышения вычислительной эффективности.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

Hacker News · Машинное обучение Сравнение моделей машинного обучения в поиске низкомолекулярных лекарств Исследователи провели сравнительный анализ эффективности различных моделей машинного обучения при поиске низкомолекулярных соединений для фармацевтических разработок. В работе оценивается способность алгоритмов предсказывать биологическую активность молекул и их пригодность для создания лекарственных препаратов. Результаты подчеркивают критическую зависимость точности прогнозов от качества обучающих выборок и архитектурных особенностей используемых нейросетей в задачах хемоинформатики. arXiv · Исследования и наука Гибридный метод квантово-классического моделирования молекул с помощью ИИ Исследователи представили гибридный алгоритм, объединяющий генеративное машинное обучение и квантовую химию для расчета энергии связывания в сложных молекулярных системах. Метод позволяет преодолеть ограничения текущих шумных квантовых процессоров (NISQ), используя классические вычислительные мощности для оптимизации квантовых схем, что критически важно для разработки новых лекарств и моделирования белково-лигандных взаимодействий. arXiv · Машинное обучение Оптимизация обучения ML-потенциалов: переход от Adam к SOAP и Muon Исследователи проанализировали эффективность оптимизаторов при обучении межатомных потенциалов на базе машинного обучения (MLIPs). Традиционно в этой области доминирует алгоритм Adam, однако внедрение методов второго порядка, таких как SOAP и Muon, позволяет значительно ускорить сходимость моделей и повысить их точность при меньшем объеме обучающих данных, что критически важно для научных симуляций. arXiv · Исследования и наука Аддитивная архитектура MLP-GNN для прогнозирования растворимости веществ Исследователи представили новый метод глубокого обучения для оценки растворимости химических соединений в воде, критически важного параметра в ранней разработке лекарств. В отличие от стандартных моделей, объединяющих данные в единый вектор, предложенная архитектура разделяет физико-химические дескрипторы и информацию о молекулярных графах, что позволяет интерпретировать вклад каждого компонента в итоговый прогноз. Hacker News · Исследования и наука ИИ и квантовые вычисления ускоряют разработку новых пептидов Ученые объединяют возможности генеративного ИИ и квантовых вычислений для создания инновационных пептидов, способных стать основой для новых лекарственных препаратов. Этот гибридный подход позволяет моделировать сложные молекулярные структуры с высокой точностью, значительно сокращая время на поиск перспективных соединений, которые ранее требовали многолетних лабораторных испытаний и дорогостоящего перебора вариантов. NVIDIA Technical Blog · ИИ в бизнесе Ускорение разработки лекарств с помощью NVIDIA BioNeMo Agent Toolkit NVIDIA представила инструментарий BioNeMo Agent Toolkit, предназначенный для оптимизации процессов предсказания структуры белков и их взаимодействия. Решение позволяет интегрировать сложные модели, такие как OpenFold3, в агентные рабочие процессы для ускорения поиска новых лекарственных препаратов. Использование специализированных агентов сокращает время выполнения ресурсоемких вычислений при моделировании молекулярных комплексов, автоматизируя этапы подготовки данных и анализа результатов. arXiv · Исследования и наука Авторегрессионные генераторы Больцмана для молекулярного моделирования Исследователи представили новый подход к моделированию молекулярных систем, основанный на авторегрессионных генераторах Больцмана. Метод позволяет эффективно генерировать некоррелированные равновесные выборки, преодолевая ограничения традиционных генеративных моделей в статистической физике. Использование авторегрессионной архитектуры значительно повышает точность аппроксимации распределений Больцмана, что критически важно для предсказания конформаций сложных молекул и ускорения вычислительных процессов в химии и биологии. arXiv · Машинное обучение Новый метод обучения моделей с использованием потоковых карт для онлайн-поиска Исследователи представили метод Sequentially-Controlled Interactive Multi-Particle Flow-Maps (SCIM-Flow), предназначенный для оптимизации моделей в условиях неизвестных предпочтений. В отличие от стандартных подходов, которые ограничены локальным поиском, новый алгоритм использует динамические потоковые карты частиц для эффективного исследования пространства распределений, что позволяет модели адаптироваться к обратной связи в режиме реального времени и находить области с высокой полезностью. MarkTechPost · Инфраструктура для агентов NVIDIA представила BioNeMo Agent Toolkit для интеграции биомолекулярных моделей в ИИ-агенты NVIDIA выпустила BioNeMo Agent Toolkit — инструментарий с открытым исходным кодом, превращающий специализированные биомолекулярные модели в стандартизированные навыки для ИИ-агентов. Решение позволяет агентам автоматически выбирать, запускать и интерпретировать результаты работы сложных научных моделей, таких как OpenFold3 или DiffDock, что радикально повышает эффективность автоматизированных исследований в области разработки лекарственных препаратов и молекулярной биологии. arXiv · Машинное обучение Новый метод масштабируемого слияния предобученных трансформеров Исследователи представили фреймворк, позволяющий эффективно объединять веса независимо обученных нейронных сетей через линейную связность мод (Linear Mode Connectivity, LMC). Ранее подобные методы были ограничены в масштабируемости, так как оптимизация пути интерполяции проводилась только от одной конечной точки модели. Новый подход снимает эти ограничения, позволяя применять слияние к крупным предобученным трансформерам с миллиардами параметров.

← Все материалы