Применение машинного обучения в физикохимии активных веществ
УДК 544.169
Аннотация
Представлены последние достижения в области машинного обучения для решения актуальных задач физикохимии активных веществ. В статье рассмотрено, как интеллектуальный анализ данных и нейросетевые модели способствуют преодолению ограничений традиционных методов, обозреваются системы, способные обнаруживать неизвестные реакции в архивных данных масс-спектрометрии (MEDUSA), предсказывать молекулярные структуры по масс-спектрам (Spec2Mol) и генерировать спектры для новых соединений, что решает проблему дефицита эталонных образцов. В квантовой химии демонстрируется успех гибридных методов (AIQM1), которые объединяют квантово-механические расчеты с нейросетями для достижения высокой точности при значительном сокращении вычислительных затрат. Также рассмотрено применение машинного обучения в материаловедении для автоматического анализа микроскопических изображений с целью изучения дефектов и организации наночастиц. В контексте органического синтеза и дизайна лекарств представлены подходы, использующие машинное обучение для предсказания биологической активности молекул (MI-QSAR) и выходов химических реакций (Yield-BERT). В заключение подчеркивается, что машинное обучение является мощным инструментом, дополняющим классические подходы и ускоряющим научные открытия.
Скачивания
Литература
Beck A.G., Muhoberac M., Randolph C.E., et al. Recent Developments in Machine Learning for Mass Spectrometry // ACS Measurement Science Au. 2024. Vol. 4. No 3. P. 233-246. https://doi.org/10.1021/acsmeasuresciau.3c00060
Исаева Е.Р., Кокова Э.А., Смущенко Н.А. Искусственный интеллект в науке: новые методы исследований и автоматизации научного процесса // Развитие науки в XXI веке: научно-методические и практические аспекты : сборник научных трудов по материалам XXI Международной научно-практической конференции (г.к. Анапа, 03 января 2025 г.). Анапа: НИЦ ЭСП в ЮФО. 2025. C. 28-32.
Плеханов В.И. Искусственный интеллект как инструмент решения задач материаловедения // Актуальные вопросы науки 2025 : сборник статей XI Международной научно-практической конференции. Пенза: МЦНС «Наука и Просвещение». 2025. С. 34-37.
Kozlov K.S., Boiko D.A., Burykina J.V., et al. Discovering Organic Reactions with a Machine-Learning-Powered Deciphering of Tera-Scale Mass Spectrometry Data // Nature Communications. 2025. Vol. 16. No 1. P. 2587. https://doi.org/10.1038/s41467-025-56905-8
Litsa E.E., Chenthamarakshan V., Das P., et al. An End-To-End Deep Learning Framework for Translating Mass Spectra to De-Novo Molecules // Communications Chemistry. 2023. Vol. 6. No 1. P. 132. https://doi.org/10.1038/s42004-023-00932-3
Peters-Clarke T.M., Coon J.J., Riley N.M. Instrumentation at the Leading Edge of Proteomics // Analytical Chemistry. 2024. Vol. 96. No 20. P. 7976-8010. https://doi.org/10.1021/acs.analchem.3c04497
Wang F., Pasin D., Skinnider M.A., et al. Deep Learning-Enabled MS/MS Spectrum Prediction Facilitates Automated Identification of Novel Psychoactive Substances // Analytical Chemistry. 2023. Vol. 95. No 50. P. 18326-18334. https://doi.org/10.1021/acs.analchem.3c02413
Zheng P., Zubatyuk R., WuW., et al. Artificial Intelligence-Enhanced Quantum Chemical Method with Broad Applicability // Nature Communications. 2021. Vol. 12. No 1. P. 7022. https://doi.org/10.1038/s41467-021-27340-2
Ramabhadran R.O., Raghavachari K. Extrapolation to the Gold-Standard in Quantum Chemistry: Computationally Efficient and Accurate CCSD(T) Energies for Large Molecules Using an Automated Thermochemical Hierarchy // Journal of Chemical Theory and Computation. 2013. Vol. 9. No 9. P. 3986-3994. https://doi.org/10.1021/ct400465q
Boiko D.A., Pentsak E.O., Cherepanova V.A., et al. Electron Microscopy Dataset for the Recognition of Nanoscale Ordering Effects and Location of Nanoparticles // Scientific Data. 2020. Vol. 7. No 1. P. 101. https://doi.org/10.1038/s41597-020-0439-1
Boiko D.A., Pentsak E.O., Cherepanova V.A. ,et al. Deep Neural Network Analysis of Nanoparticle Ordering to Identify Defects in Layered Carbon Materials // Chemical Science. 2021. Vol. 12. No 21. P. 7428-7441. https://doi.org/10.1039/d0sc05696k
References
Beck A.G., Muhoberac M., Randolph C.E., et al. Recent Developments in Machine Learning for Mass Spectrometry. ACS Measurement Science Au. 2024. Vol. 4. No 3. P. 233-246. https://doi.org/10.1021/acsmeasuresciau.3c00060
Isaeva E.R., Kokova E.A., Smushchenko N.A. Artificial Intelligence in Science: New Research Methods and Automation of the Scientific Process. Development of Science in the 21st Century: Scientific, Methodological and Practical Aspects: Collection of Scientific Papers Based on the Materials of the XXI World Scientific and Practical Conference. Anapa: Research Center for ESP in the Southern Federal District. 2025. P. 28-32. (In Russ.).
Plekhanov V. I. Artificial Intelligence as a Tool for Solving Problems in Materials Science. Actual Issues of Science 2025 : A Collection of Articles from the XI International Scientific and Practical Conference. Penza: MCNS "Science and Education". 2025. P. 34-37. (In Russ.).
Kozlov K.S., Boiko D.A., Burykina J.V., et al. Discovering Organic Reactions with a Machine-Learning-Powered Deciphering of Tera-Scale Mass Spectrometry Data. Nature Communications. 2025. Vol. 16. No 1. P. 2587. https://doi.org/10.1038/s41467-025-56905-8
Litsa E.E., Chenthamarakshan V., Das P., et al. An End-To-End Deep Learning Framework for Translating Mass Spectra to De-Novo Molecules. Communications Chemistry. 2023. Vol. 6. No 1. P. 132. https://doi.org/10.1038/s42004-023-00932-3
Peters-Clarke T.M., Coon J.J., Riley N.M. Instrumentation at the Leading Edge of Proteomics. Analytical Chemistry. 2024. Vol. 96. No 20. P. 7976-8010. https://doi.org/10.1021/acs. analchem.3c04497
Wang F., Pasin D., Skinnider M.A., et al. Deep Learning-Enabled MS/MS Spectrum Prediction Facilitates Automated Identification of Novel Psychoactive Substances. Analytical Chemistry. 2023. Vol. 95. No 50. P. 18326-18334. https://doi. org/10.1021/acs.analchem.3c02413
Zheng P., Zubatyuk R., Wu W., et al. Artificial Intelligence-Enhanced Quantum Chemical Method with Broad Applicability. Nature Communications. 2021. Vol. 12. No 1. P. 7022. https://doi.org/10.1038/s41467-021-27340-2
Ramabhadran R.O., Raghavachari K. Extrapolation to the Gold-Standard in Quantum Chemistry: Computationally Efficient and Accurate CCSD(T) Energies for Large Molecules Using an Automated Thermochemical Hierarchy. Journal of Chemical Theory and Computation. 2013. Vol. 9. No 9. P. 3986-3994. https://doi.org/10.1021/ct400465q
Boiko D.A., Pentsak E.O., Cherepanova V.A., et al. Electron Microscopy Dataset for the Recognition of Nanoscale Ordering Effects and Location of Nanoparticles. Scientific Data. 2020. Vol. 7. No 1. P. 101. https://doi.org/10.1038/s41597-020-0439-1
Boiko D.A., Pentsak E.O., Cherepanova V.A., et al. Deep Neural Network Analysis of Nanoparticle Ordering to Identify Defects in Layered Carbon Materials. Chemical Science. 2021. Vol. 12. No 21. P. 7428-7441. https://doi.org/10.1039/d0sc05696k
Copyright (c) 2026 Михаил Андреевич Зарудских, Александр Сергеевич Безносюк
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
