«Не понимают элементарную химию»: ИИ уличили в сбое при разработке новых лекарств
Искусственный интеллект, применяемый для моделирования будущих лекарств, может давать систематические ошибки. К такому выводу пришли учёные Московского физико-технического института (МФТИ), проверив четыре популярных алгоритма. Исследование показало, что надо аккуратней использовать нейросети, учитывая возможные риски и ошибки, связанные с неправильной оценкой со стороны ИИ воздействия будущего препарата на организм. Результаты опубликованы в виде препринта на платформе bioRxiv.
Усовершенствованные модели искусственного интеллекта, к примеру, такие, как AlphaFold 3, уже предсказывают пространственное строение белков. Это дает возможность моделировать новые лекарства с использованием малых молекул.
Российские ученые решили проверить, насколько точны такие предсказания, особенно для молекул, способных менять 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 – буквально за несколько часов или даже минут. Но есть одно «но»: ИИ не учитывает важную деталь – электрический заряд молекул. Дело в том, что многие вещества в живых организмах могут менять свой заряд в зависимости от среды: быть то нейтральными, то заряженными положительно или отрицательно. От этого зависит, будет ли лекарство действовать на нужную мишень. Тесты показали, что даже для простейших молекул, которые хорошо изучены, нейросети дают несогласованные результаты».
Учёные сделали такие выводы, протестировав четыре популярных модели: AlphaFold 3, Boltz-2, Chai-1 и Protenix-v1. В качестве тестовых объектов взяли простейшее соединение – метиламин – производное от аммиака, которое применяется в производстве лекарственных средств, включая антидепрессанты, анальгетики и противовоспалительные препараты, а также уксусную кислоту. Эти молекулы повсеместно встречаются в белках, и нейросети их давно анализируют. Однако оказалось, что анализируют, не учитывая их заряд.
Особое беспокойство у авторов работы вызвала геометрия предсказанных структур. Так, 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, то есть предсказывать их поведение в организме с ошибками.
Ни один из четырёх популярных методов явно не выделился по качеству предсказаний, – добавил Иван Гущин.
По его мнению, полученные от таких моделей результаты следует интерпретировать с осторожностью, и стремиться улучшать их алгоритмы. Здесь критически важны два фактора: во-первых, ИИ-модели должны выдавать одинаковый результат независимо от формата входных данных, во-вторых, при обучении нейросетей нужно учитывать, что молекулы могут менять свой заряд.