Kimm Fesenmaier, Kaliforniya Texnologiya İnstitutu

Stefani Baum tərəfindən redaktə edilmiş , Robert Eqan tərəfindən nəzərdən keçirilmişdir

 Redaktorların qeydləri(A) Atom nüvəsinin və atomun həndəsi manifoldunun təsviri. Manifold, atom nüvələri arasında minimum məsafəni təyin edən van der Waals radiusu ilə müəyyən edilmiş məkan sərhədini təmsil edir. (B) Bir molekulu əhatə edən manifoldun təsviri. (C) Manifoldun diskretləşdirilməsindən əldə edilən mesh nöqtələrinin təsviri. (D) NucleusDiff boru kəməri. NucleusDiff həm nüvələrdə, həm də diskretləşdirilmiş mesh nöqtələrində denoising diffuziyasını həyata keçirir, burada onların arasındakı məsafələr van der Waals radiuslarına yaxındır. Kredit: Milli Elmlər Akademiyasının Materialları (2025). DOI: 10.1073/pnas.2415666122

Maşın öyrənməsi yeni potensial elmi anlayışlar və ya istiqamətlər təklif etmək üçün istifadə edildikdə, alqoritmlər bəzən fiziki cəhətdən sağlam olmayan həllər təklif edir.

Məsələn, AlphaFold, amin turşusu zəncirlərinin 3D zülal strukturlarına qatlanmasının mürəkkəb yollarını proqnozlaşdıran AI sistemini götürək. Sistem bəzən “qeyri-fiziki” qıvrımlar təklif edir – fizika qanunlarına əsaslanaraq qeyri-mümkün olan konfiqurasiyalar – xüsusən də təlim məlumatlarından əhəmiyyətli dərəcədə fərqli olan zəncirlər üçün qıvrımları proqnozlaşdırmaq istənildikdə .

Dərman dizaynı sahəsində bu cür qeyri-fiziki nəticəni məhdudlaşdırmaq üçün Caltech-də hesablama və riyaziyyat elmləri üzrə Bren professoru Anima Anandkumar və onun həmkarları təliminə sadə fiziki ideyanı daxil edən və alqoritmin performansını xeyli yaxşılaşdıran NucleusDiff adlı yeni maşın öyrənmə modelini təqdim etdilər.

Anandkumar və onun həmkarları Proceedings of the National Academy of Sciences jurnalında dərc olunan “Kimyada Maşın Öyrənmə” xüsusi xüsusiyyətinin bir hissəsi kimi görünən məqalədə NucleusDiff-i təsvir edirlər .

Struktur əsaslı dərman dizaynında məqsəd bioloji hədəfə, adətən zülala yaxşı bağlanacaq və fəaliyyətdə istənilən növ dəyişikliyə səbəb olan liqandlar adlanan kiçik molekullar yaratmaqdır. Dərman dizaynı AI modelləri bu cür zülal-liqand cütləşməsinin on minlərlə nümunəsini, həmçinin onların bir-birinə nə qədər yaxşı bağlandığına dair məlumatları ehtiva edən verilənlər bazası üzərində öyrədilir ki, bu da bağlama yaxınlığı adlanan mühüm ölçüdür. Ancaq ən vacibi, NucleusDiff bir addım daha irəli gedir.

Anandkumar izah edir: “Maşın öyrənməsi ilə model artıq yaxşı bağlamanı təmin edən bir çox aspektləri öyrənir və indi biz bütün qeyri-fiziki şeyləri istisna etdiyimizə əmin olmaq üçün bəzi sadə fizikanı tətbiq edirik”.

NucleusDiff vəziyyətində, model atomların üst-üstə düşməsinin və ya toqquşmasının qarşısını alan itələyici qüvvələr kimi fiziki anlayışları nəzərə alaraq atomların bir-birindən müvafiq məsafədə qalmasını təmin edir.

“Bizim alqoritmin arxasında gözəl fiziki nəzəriyyəmiz var, lakin o, həm də intuitivdir” dedi Anandkumar. “Təəccüblüdür ki, bu məhdudiyyətlər olmadan, bütün bu süni intellekt modelləri toqquşma olduğunu, atomların çox yaxınlaşdığını proqnozlaşdırır. Sadə fizikanı əlavə etməklə biz modelin dəqiqliyini artırdıq.”

NucleusDiff molekuldakı hər bir atom cütü arasındakı məsafəni hesablamaq əvəzinə (hesablama baxımından çox baha başa gələn bir iş) NucleusDiff manifoldu və ya zərfi təxmin edir – atomların paylanmasının və molekulda elektronların ehtimal olunan yerlərinin təxmini qiymətləndirilməsi. Bu manifoldda o, atomların heç vaxt bir-birinə çox yaxınlaşmamasını təmin edərək, izləmək üçün əsas lövbər nöqtələrini qurur.

Komanda NucleusDiff-ə təxminən 100.000 zülal-liqand bağlayan kompleksləri daxil edən CrossDocked2020 adlı təlim verilənlər bazasında təlim keçib. Onlar onu həmin komplekslərdən 100-də sınaqdan keçirdilər və aşkar etdilər ki, o, bağlanma yaxınlığı baxımından ən müasir modelləri əhəmiyyətli dərəcədə üstələyir, eyni zamanda atom toqquşmalarının sayını demək olar ki, sıfıra endirir.

Gündəlik anlayışlar üçün Phys.org-a etibar edən 100.000-dən çox abunəçi ilə elm, texnologiya və kosmosda ən son yenilikləri kəşf edin . Pulsuz xəbər bülleteni üçün qeydiyyatdan keçin və mühüm nailiyyətlər, yeniliklər və tədqiqatlar haqqında gündəlik və ya həftəlik yeniləmələr əldə edin .

Daha sonra tədqiqatçılar yeni modeldən təlim məlumat dəstinə daxil edilməyən daha yeni bir molekulun bağlanma yaxınlıqlarını proqnozlaşdırmaq üçün istifadə etdilər: COVID-19 terapevtik hədəf 3CL proteazı. Yenə də NucleusDiff digər aparıcı modellərlə müqayisədə artan dəqiqlik və atomik toqquşmaların üçdə ikiyə qədər azaldığını göstərdi.

Bu iş Anandkumar və başqaları tərəfindən AI4Science adlı təşəbbüs vasitəsilə daha çox fizikanı iqlimin proqnozlaşdırılmasından robototexnika və seysmologiyadan astrofizika modelləşdirməyə kimi müxtəlif mövzular üçün qurulmuş verilənlərə əsaslanan süni intellekt modellərinə inteqrasiya etmək üçün kampusda daha böyük təkanla uyğun gəlir.

“Əgər biz sırf təlim məlumatlarına etibar etsək, biz maşın öyrənməsinin təlim məlumatlarından əhəmiyyətli dərəcədə fərqli olan nümunələr üzərində yaxşı işləməsini gözləmirik” dedi Anandkumar.

Əslində, o deyir ki, bu, maşın öyrənməsinin standart prinsipidir ki, nəticələr adətən təlim məlumatlarında göstərilən nümunələr sahəsinə düşür. Lakin dərman dizaynı kimi bir çox elmi sahədə tədqiqatçılar yeni nəticələr (məsələn, yeni molekullar) axtarırlar.

Anandkumar deyir : “Bir çox maşın öyrənməsinin təlim məlumatlarından fərqli olan yeni nümunələr üzərində dəqiq nəticələr əldə etməkdə uğursuz olduğunu görürük, lakin fizikanı daxil etməklə biz maşın öyrənməsini daha etibarlı edə və daha yaxşı işləyə bilərik”.

Ətraflı məlumat: Shengchao Liu et al, Struktur əsaslı dərman dizaynı üçün manifold-məhdud nüvə səviyyəli denoising diffuziya modeli, Milli Elmlər Akademiyasının əsərləri (2025). DOI: 10.1073/pnas.2415666122

Jurnal məlumatı: Milli Elmlər Akademiyasının Materialları 

Kaliforniya Texnologiya İnstitutu tərəfindən təmin edilmişdir