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
Copyright (c) 2026 Михаил Андреевич Зарудских, Александр Сергеевич Безносюк
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
