Արհեստական բանականությունը քիմիայի մեջ սողոսկել է արդեն որոշ ժամանակ, և՝ աննկատ, բայց հաստատուն կերպով, այն վերաձևավորում է ոլորտը գրեթե գիտաֆանտաստիկ ձևերով: Սկսած դեղամիջոցների թեկնածուների հայտնաբերումից, որոնք ոչ մի մարդ չէր կարող նկատել, մինչև ռեակցիայի ուղիների քարտեզագրումը, որոնք փորձառու քիմիկոսները երբեմն անտեսում են, արհեստական բանականությունն այլևս պարզապես լաբորատոր օգնական չէ: Այն ուշադրության կենտրոնում է: Բայց ի՞նչն է իրականում առանձնացնում քիմիայի համար լավագույն արհեստական բանականությունը : Եկեք ավելի մանրամասն նայենք:
Հոդվածներ, որոնք կարող են ձեզ դուր գալ կարդալ սրանից հետո
🔗 Տվյալագիտություն և արհեստական բանականություն. նորարարության ապագան
Ինչպես են արհեստական բանականությունը և տվյալագիտությունը վերափոխում ժամանակակից տեխնոլոգիաները և բիզնեսը։.
🔗 Տվյալների ռազմավարությունը հզորացնելու համար արհեստական բանականության վերլուծության 10 լավագույն գործիքները
Գործնական վերլուծությունների, կանխատեսումների և ավելի խելացի որոշումների լավագույն հարթակները։.
🔗 Արհեստական բանականության ուսուցման 10 լավագույն գործիքներ՝ ամեն ինչ ավելի արագ տիրապետելու համար
Արագացրեք ձեր հմտությունները հզոր, արհեստական բանականության վրա հիմնված ուսումնական հարթակների միջոցով։.
Ի՞նչն է իրականում քիմիայի արհեստական բանականությունը դարձնում օգտակար։ 🧪
Քիմիայի վրա կենտրոնացած բոլոր արհեստական ինտելեկտը նույնը չէ։ Որոշ գործիքներ փայլուն դեմո տարբերակներ են, որոնք ձախողվում են իրական լաբորատորիաներում փորձարկվելիս։ Մյուսները, սակայն, զարմանալիորեն գործնականում ապացուցում են, որ հետազոտողներին խնայում են կույր փորձերի և սխալների երկար ժամեր։.
Ահա թե ինչն է հակված տարբերակել ամուրները հնարքներից
-
Կանխատեսումների ճշգրտություն. Կարո՞ղ է այն հետևողականորեն կանխատեսել մոլեկուլային հատկությունները կամ ռեակցիայի արդյունքները։
-
Օգտագործման հեշտություն. շատ քիմիկոսներ ծրագրավորողներ չեն: Կարևոր է հստակ ինտերֆեյսը կամ սահուն ինտեգրումը:
-
Մասշտաբայնություն. օգտակար արհեստական բանականությունը նույնքան լավ է աշխատում մի քանի մոլեկուլների վրա, որքան հսկայական տվյալների հավաքածուների վրա։
-
Լաբորատոր աշխատանքային հոսքի ինտեգրում. սլայդները գեղեցիկ տեսք հաղորդելը բավարար չէ. իրական օգտակարությունը ի հայտ է գալիս, երբ արհեստական բանականությունը աջակցում է փորձարարական ընտրություններին։
-
Համայնք և աջակցություն. Ակտիվ մշակումը, փաստաթղթավորումը և փորձագիտական գրախոսության արդյունքում ստացված ապացույցները մեծ տարբերություն են ստեղծում:
Այլ կերպ ասած՝ լավագույն արհեստական բանականությունը հավասարակշռում է հաշվողական հզորությունը առօրյա օգտագործելիության հետ։.
Հակիրճ մեթոդաբանական նշում. Ստորև նշված գործիքները առաջնահերթություն են ստացել, եթե դրանք ունեցել են փորձագիտական գրախոսության արդյունքներ, իրական աշխարհում (ակադեմիական կամ արդյունաբերական) կիրառման ապացույցներ և վերարտադրելի չափանիշներ: Երբ մենք ասում ենք, որ ինչ-որ բան «աշխատում է», դա նշանակում է, որ կան իրական վավերացման փաստաթղթեր, տվյալների հավաքածուներ կամ լավ փաստաթղթավորված մեթոդներ, այլ ոչ թե միայն մարքեթինգային սլայդներ:
Հակիրճ նկար. Քիմիայի համար արհեստական բանականության լավագույն գործիքները 📊
| Գործիք / Հարթակ | Ում համար է այն | Գին / Մուտք* | Ինչու է այն աշխատում (կամ չի աշխատում) |
|---|---|---|---|
| ԴիփՔիմ | Ակադեմիկոսներ և սիրողականներ | Անվճար / ԲԱՑ | Հասուն ML գործիքակազմ + MoleculeNet չափորոշիչներ. հիանալի է անհատական մոդելներ կառուցելու համար [5] |
| Շրյոդինգերի արհեստական բանականություն/ֆիզիկա | Դեղագործական հետազոտություններ և զարգացում | ձեռնարկություն | Բարձր ճշգրտությամբ ֆիզիկայի մոդելավորում (օրինակ՝ FEP)՝ ուժեղ փորձարարական վավերացմամբ [4] |
| IBM RXN քիմիայի համար | Ուսանողներ և հետազոտողներ | Գրանցումը պարտադիր է | Տրանսֆորմատորի վրա հիմնված ռեակցիայի կանխատեսում. տեքստային SMILES մուտքագրումը բնական է թվում [2] |
| Քիմիա (Տոկիոյի համալսարան) | Ակադեմիական մասնագետներ | Հետազոտության կոդ | Գեներատիվ մոլեկուլային դիզայն; նեղ մասնագիտացված, բայց հարմար գաղափարախոսության համար (պահանջվում է մեքենայական մշակման լրացուցիչ հնարավորություններ) |
| AlphaFold (Խորը միտք) | Կառուցվածքային կենսաբաններ | Անվճար / բաց մուտք | Սպիտակուցի կառուցվածքի կանխատեսում գրեթե լաբորատոր ճշգրտությամբ բազմաթիվ թիրախների վրա [1] |
| MolGPT | Արհեստական բանականության մշակողներ | Հետազոտության կոդ | ճկուն գեներատիվ մոդելավորում; կարգավորումը կարող է լինել տեխնիկական |
| Քեմատիկա (Սինթիա) | Արդյունաբերական քիմիկոսներ | Ձեռնարկության լիցենզիա | Համակարգչային նախագծված երթուղիներ, որոնք կատարվում են լաբորատորիաներում. խուսափում է փակուղային սինթեզներից [3] |
*Գները/մուտքը կարող են փոխվել՝ միշտ ստուգեք անմիջապես մատակարարի մոտ։.
Ուշադրության կենտրոնում՝ IBM RXN քիմիայի համար ✨
Ամենամոտ հարթակներից մեկը IBM RXN-ն։ Այն աշխատում է Transformer-ի (մտածեք, թե ինչպես են աշխատում լեզվական մոդելները, բայց քիմիական SMILES տողերով), որը մարզված է ռեակտիվներն ու ռեակտիվները կապելու արտադրանքների հետ՝ միաժամանակ գնահատելով իր սեփական վստահությունը։
Գործնականում, դուք կարող եք տեղադրել ռեակցիա կամ SMILES տող, և RXN-ը անմիջապես կանխատեսում է արդյունքը։ Սա նշանակում է ավելի քիչ «պարզապես թեստավորման» փորձարկումներ, ավելի շատ կենտրոնացում խոստումնալից տարբերակների վրա։.
Աշխատանքային հոսքի տիպիկ օրինակ՝ դուք ուրվագծում եք սինթետիկ երթուղի, RXN-ը նշում է անկայուն քայլ (ցածր վստահություն) և մատնանշում է ավելի լավ փոխակերպում: Դուք շտկում եք պլանը նախքան լուծիչներին դիպչելը: Արդյունք՝ ավելի քիչ ժամանակի կորուստ, ավելի քիչ կոտրված սրվակներ:
AlphaFold: Քիմիայի ռոք աստղը 🎤🧬
Եթե ընդհանրապես հետևել եք գիտական նորություններին, ապա հավանաբար լսել եք AlphaFold-ի։ Այն լուծել է կենսաբանության ամենադժվար խնդիրներից մեկը՝ սպիտակուցային կառուցվածքների կանխատեսումը անմիջապես հաջորդականության տվյալներից։
Ինչո՞ւ է դա կարևոր քիմիայի համար։ Սպիտակուցները բարդ մոլեկուլներ են, որոնք կենտրոնական դեր են խաղում դեղերի նախագծման, ֆերմենտային ճարտարագիտության և կենսաբանական մեխանիզմների հասկացման մեջ։ Քանի որ AlphaFold-ի կանխատեսումները շատ դեպքերում մոտենում են փորձարարական ճշգրտությանը, չափազանցություն չի լինի այն անվանել առաջընթաց, որը փոխեց ամբողջ ոլորտը [1]:.
DeepChem: Թինքերների խաղահրապարակ 🎮
Հետազոտողների և սիրողականների համար DeepChem-ը , ըստ էության, շվեյցարական բանակի գրադարան է: Այն ներառում է առանձնահատկություններ, պատրաստի մոդելներ և MoleculeNet-ի չափորոշիչները, որոնք թույլ են տալիս համեմատություններ կատարել տարբեր մեթոդների միջև:
Դուք կարող եք օգտագործել այն՝
-
Գնացքի կանխատեսողներ (ինչպիսիք են լուծելիությունը կամ logP-ն)
-
Կառուցեք QSAR/ADMET բազային գծեր
-
Ուսումնասիրեք նյութերի և կենսակիրառությունների տվյալների հավաքածուները
Այն հարմար է մշակողների համար, բայց պահանջում է Python-ի հմտություններ։ Փոխզիջումը՝ ակտիվ համայնք և վերարտադրելիության ուժեղ մշակույթ [5]:.
Ինչպես է արհեստական բանականությունը խթանում ռեակցիայի կանխատեսումը 🧮
Ավանդական սինթեզը հաճախ պահանջում է փորձարկումներ: Ժամանակակից արհեստական բանականությունը նվազեցնում է կռահումները՝
-
կանխատեսել անմիջական արձագանքները (որպեսզի իմանաք, թե երբ չպետք է վստահել դրանց) [2]
-
Հետին սինթետիկ ուղիների քարտեզագրում ՝ փակուղիները և փխրուն պաշտպանիչ խմբերը շրջանցելով [3]
-
Առաջարկելով ավելի արագ, էժան կամ ավելի մասշտաբային
Այստեղ աչքի է ընկնում Chematica-ն (Synthia), որը կոդավորում է փորձագիտական քիմիական տրամաբանություն և որոնման ռազմավարություններ: Այն արդեն ստեղծել է սինթեզի ուղիներ, որոնք հաջողությամբ իրականացվել են իրական լաբորատորիաներում՝ ամուր ապացույց, որ այն ավելին է, քան պարզապես էկրանի վրա դիագրամներ [3]:
Կարո՞ղ եք վստահել այս գործիքներին։ 😬
Անկեղծ պատասխանը՝ նրանք հզոր են, բայց ոչ անթերի։
-
Հիանալի է օրինաչափությունների մեջ. Transformers-ի կամ GNN-ի նման մոդելները որսում են նուրբ փոխկապակցվածություններ մեծ տվյալների հավաքածուներում [2][5]:
-
Անսխալական չէ. գրականության կողմնակալությունը, համատեքստի բացակայությունը կամ թերի տվյալները կարող են հանգեցնել չափազանց վստահ սխալների։
-
Լավագույնն է մարդկանց հետ համատեղ. կանխատեսումները քիմիկոսի դատողության հետ (պայմաններ, մասշտաբի ընդլայնում, խառնուրդներ) զուգակցելը դեռևս հաղթում է։
Կարճ պատմություն. Լիդերի օպտիմալացման նախագիծը օգտագործել է ազատ էներգիայի հաշվարկներ՝ մոտ 12 պոտենցիալ փոխարինողներ դասակարգելու համար: Միայն լավագույն 5-ն են իրականում սինթեզվել. 3-ը անմիջապես բավարարել են պոտենցիալության պահանջները: Դա կրճատել է ցիկլի շաբաթները [4]: Դրույթը պարզ է. արհեստական բանականությունը նեղացնում է որոնումը, մարդիկ են որոշում, թե ինչն է արժե փորձել:
Ուր են գնում բաները 🚀
-
Ավտոմատացված լաբորատորիաներ. ամբողջական համակարգեր, որոնք նախագծում, իրականացնում և վերլուծում են փորձեր։
-
Ավելի կանաչ սինթեզ. եկամտաբերությունը, արժեքը, քայլերը և կայունությունը հավասարակշռող ալգորիթմներ։
-
Անհատականացված թերապիաներ. ավելի արագ հայտնաբերման ուղիներ՝ հարմարեցված հիվանդի յուրահատկությանը։
Արհեստական բանականությունը այստեղ չէ քիմիկոսներին փոխարինելու, այն այստեղ է նրանց հզորացնելու համար։.
Ամփոփելով՝ քիմիայի համար լավագույն արհեստական բանականությունը՝ համառոտ 🥜
-
Ուսանողներ և հետազոտողներ → IBM RXN, DeepChem [2][5]
-
Դեղագործություն և կենսատեխնոլոգիա → Շրյոդինգեր, Սինթիա [4][3]
-
Կառուցվածքային կենսաբանություն → AlphaFold [1]
-
Մշակողներ և շինարարներ → ChemTS, MolGPT
Ամփոփում. արհեստական բանականությունը տվյալների։ Այն նկատում է օրինաչափություններ, ձեզ հեռու է պահում փակուղիներից և արագացնում է ըմբռնումը։ Վերջնական հաստատումը դեռևս լաբորատորիայում է։
Հղումներ
-
Ջամփեր, Ջ. և այլք։ «Բարձր ճշգրտությամբ սպիտակուցային կառուցվածքի կանխատեսում AlphaFold-ի միջոցով»։ Nature (2021)։ Հղում
-
Շվալեր, Պ. և այլք։ «Մոլեկուլային տրանսֆորմատոր. անորոշությամբ տրամաչափված քիմիական ռեակցիայի կանխատեսման մոդել»։ ACS Central Science (2019)։ Հղում
-
Կլյուչնիկ, Տ. և այլք։ «Բազմազան, բժշկական առումով կարևոր թիրախների արդյունավետ սինթեզներ, որոնք պլանավորվել են համակարգչի միջոցով և իրականացվել լաբորատորիայում»։ Քիմ (2018)։ Հղում
-
Վանգ, Լ. և այլք։ «Լիգանդների հարաբերական կապման հզորության ճշգրիտ և հուսալի կանխատեսում դեղերի ապագա հայտնաբերման մեջ՝ ժամանակակից ազատ էներգիայի հաշվարկման արձանագրության միջոցով»։ J. Am. Chem. Soc. (2015)։ Հղում
-
Վու, Զ. և այլք։ «MoleculeNet. մոլեկուլային մեքենայական ուսուցման չափանիշ»։ Քիմիական գիտություն (2018)։ Հղում