Современные ИИ-модели бесполезны при работе с ранее неизвестными лекарственными молекулами
Передовые модели искусственного интеллекта (ИИ), применяемые в фармацевтических исследованиях, распознают и воспроизводят закономерности в данных, на которых были обучены. При этом они не понимают, почему и как молекулы препаратов соединяются с патогенными белками в организме. К такому выводу пришли ученые из Базельского университета, опубликовавшие научную работу в журнале Nature Communications.
Нейросети типа AlphaFold и RoseTTAFold позволяют быстрее разрабатывать медикаменты, предсказывая, как разные молекулы будут воздействовать на нужные белки. Исследователи преднамеренно изменили последовательности аминокислот в сотне белков так, чтобы их взаимодействие с ними становилось невозможным для активных лекарственных веществ. Более чем в половине случаев ИИ продолжал выдавать прогнозы, нарушая базовые законы физики и химии. Отмечается, что системы выявляют шаблоны, но не имеют представления о природе молекулярных связей.
Технологии машинного обучения оказались особенно неэффективны при работе с белковыми структурами, существенно отличающимися от образцов. Указывается, что ИИ-модели тренировали на 100 тыс. белков, но этого оказалось недостаточно.
Авторы рекомендовали производителям проверять все предсказания ИИ в реальных экспериментах и вычислительных анализах. Будущие модели должны интегрировать законы физики в свою архитектуру, а не полностью полагаться на шаблоны. Они считают, что современные ИИ-инструменты остаются полезными, но только для отдельных этапов исследований.
Передовые модели искусственного интеллекта (ИИ), применяемые в фармацевтических исследованиях, распознают и воспроизводят закономерности в данных, на которых были обучены. При этом они не понимают, почему и как молекулы препаратов соединяются с патогенными белками в организме. К такому выводу пришли ученые из Базельского университета, опубликовавшие научную работу в журнале Nature Communications.
Нейросети типа AlphaFold и RoseTTAFold позволяют быстрее разрабатывать медикаменты, предсказывая, как разные молекулы будут воздействовать на нужные белки. Исследователи преднамеренно изменили последовательности аминокислот в сотне белков так, чтобы их взаимодействие с ними становилось невозможным для активных лекарственных веществ. Более чем в половине случаев ИИ продолжал выдавать прогнозы, нарушая базовые законы физики и химии. Отмечается, что системы выявляют шаблоны, но не имеют представления о природе молекулярных связей.
Технологии машинного обучения оказались особенно неэффективны при работе с белковыми структурами, существенно отличающимися от образцов. Указывается, что ИИ-модели тренировали на 100 тыс. белков, но этого оказалось недостаточно.
Авторы рекомендовали производителям проверять все предсказания ИИ в реальных экспериментах и вычислительных анализах. Будущие модели должны интегрировать законы физики в свою архитектуру, а не полностью полагаться на шаблоны. Они считают, что современные ИИ-инструменты остаются полезными, но только для отдельных этапов исследований.
