Молекулы на поводке: быстрый расчёт лекарств экспресс

Оригинал: "AceFF: A State-of-the-Art Machine Learning Potential for Small Molecules"
arXiv:2601.00581 · 2026-01-02 · CC BY-SA 4.0 · 1 мин
Новая компьютерная модель предсказывает поведение молекул со скоростью секундомера и точностью сложных расчётов.

📄 Показана версия «Просто» — «Популярно» пока не готова. Добавьте ★ в избранное, если хотите её ускорить.

Нужно перебрать миллионы ключей, чтобы найти тот, что откроет замок болезни. Каждый ключ — это молекула, а замок — белок в нашем теле. Проверить каждый ключ вручную невозможно, поэтому химики используют компьютерные модели, которые предсказывают, как молекула поведёт себя в реальности. До недавнего времени точные расчёты занимали часы или дни на мощных компьютерах. Новый инструмент AceFF делает это за секунды.

AceFF — это заранее обученная на огромном наборе данных модель, которая понимает, как атомы в молекулах притягиваются, отталкиваются и крутятся вокруг связей. Её научили на примерах молекул, похожих на те, что используют в лекарствах: с углеродом, азотом, кислородом, серой и другими элементами. Главное — модель не просто запоминает, а выводит общие правила, поэтому справляется даже с новыми, невиданными ранее молекулами. В тестах она показала точность на уровне самых строгих квантовых расчётов, но работает в тысячи раз быстрее.

AceFF обучена работать с заряженными молекулами — это важно, потому что многие лекарства в организме существуют именно в заряженной форме.

Поиск нового лекарства — как поиск иголки в стоге сена. Нужно проверить миллионы вариантов, и если каждый расчёт занимает час, процесс растягивается на годы. AceFF сокращает это время до минут. Модель уже выложена в открытый доступ, и любой исследователь может скачать её и использовать в своей работе. Это как дать каждому химику персональный суперкомпьютер, который помещается в кармане.

Такой подход меняет саму идею поиска лекарств. Вместо того чтобы синтезировать и проверять сотни веществ в лаборатории, учёные могут сначала прогнать миллионы кандидатов через компьютер, отобрать самые перспективные и только потом переходить к экспериментам. Это экономит годы работы и миллионы долларов.

Модель AceFF обучена на наборе данных, который включает более 1,5 миллиона молекулярных конфигураций — это как если бы вы выучили поведение всех жителей небольшого города, чтобы предсказывать их перемещения.

Учёные
Erwin SchrödingerHugh Everett IIIWilliam Lawrence BraggAndrey Markov
Понятия
открытие лекарств с помощью ИИ открытие лекарств атомно-силовой микроскоп микроробот предсказание молекулярных свойств анализ медицинских изображений межатомный потенциал, обученный машинным обучением обнаружение артефактов в медицинской визуализации аминокислота теория функционала плотности микроэлектронвольт классификатор материалы на основе машинного обучения активное обучение молекулярный мотор