Искусственный интеллект, например, AlphaFold 3, способен предсказывать пространственное строение белков.
Это позволяет моделировать новые лекарства с применением малых молекул. Однако российские учёные решили проверить точность таких предсказаний, особенно для молекул, которые могут изменять свой заряд в зависимости от кислотности среды.
«Чтобы создать новое лекарство, учёным нужно понять, как молекула будущего препарата свяжется с белком в организме», — рассказал «МК» один из авторов исследования, заведующий лабораторией структурного анализа и инжиниринга мембранных систем МФТИ Иван Гущин. Современные нейросети обещают решать эту задачу быстро — за несколько часов или даже минут.
Но есть проблема: искусственный интеллект не учитывает электрический заряд молекул.
Многие вещества в живых организмах могут менять свой заряд в зависимости от среды: быть нейтральными, заряженными положительно или отрицательно.
От этого зависит, будет ли лекарство действовать на нужную мишень. Тесты показали, что даже для хорошо изученных простейших молекул нейросети дают несогласованные результаты.
Учёные протестировали четыре популярных модели: AlphaFold 3, Boltz-2, Chai-1 и Protenix-v1. В качестве тестовых объектов взяли метиламин — производное от аммиака, которое применяется в производстве лекарственных средств, включая антидепрессанты, анальгетики и противовоспалительные препараты, а также уксусную кислоту.
Оказалось, что нейросети анализируют эти молекулы, не учитывая их заряд.
Особое беспокойство у авторов работы вызвала геометрия предсказанных структур.
Длины химических связей в молекулах оказались систематически короче реально возможных, вплоть до абсурдных значений. Например, одна из программ «сжимала» связь до 0,0075 нанометра, хотя даже по самым скромным меркам она должна быть минимум в десять раз длиннее.
Это говорит о том, что нейросеть не до конца понимает элементарную химию и может генерировать молекулы с физически невозможной геометрией.
Ни один из четырёх популярных методов явно не выделился по качеству предсказаний, добавил Иван Гущин.
Полученные от таких моделей результаты следует интерпретировать с осторожностью и стремиться улучшать их алгоритмы. При обучении нейросетей нужно учитывать, что молекулы могут менять свой заряд.