Сегодня в рубрике #обзор_статей подборка про генерацию молекул с помощью нейронных сетей от команды «Глубокое обучение в науках о жизни» 👀

◻ Reinforcement Learning for Molecular Design Guided by Quantum Mechanics

В статье решается задача поиска низкоэнергетической молекулярной конформации. Авторы предлагают рассматривать задачу в контексте обучения с подкреплением – агент учится поатомно собирать молекулу в 3D, стараясь получить конформацию с низкой энергией. Модель имеет существенные ограничения: она не способна адекватно собирать конформации, имеющие внутренние симметрии.

Авторы поставили сравнительно небольшой набор экспериментов на малых молекулах в отсутствии внешнего поля, используя относительно грубый метод для подсчета энергии, также авторы не провели сравнения с альтернативными подходами.

◻ Symmetry-Aware Actor-Critic for 3D Molecular Design

Авторы предлагают усовершенствованную модель, способную эффективно работать в случае конформаций, имеющих внутренние симметрии.

Представленный фреймворк имеет эквивариантного актора для генерации конформации и инвариантного критика для оценки энергии, что является важным свойством для физически реалистичной модели.

Авторы добавили дополнительный бейзлайн, но не сравнили его с альтернативными подходами. Размеры молекул в экспериментах увеличились, но по-прежнему невелики.

◻ Structure-based Drug Design with Equivariant Diffusion Models

Авторы статьи предложили модель E(3)-эквивариантной диффузии, решающую задачу 3D-условной генерации молекулы-лиганда под карман белка: через полный набор атомов и их координат и через набор аминокислотных остатков, где один остаток задается координатами альфа-углерода и типом аминокислоты.

Получился новый интересный и перспективный подход, который может быть в будущем развит до применения в практических задачах, но сами текущие результаты кажутся неубедительным улучшением по сравнению с имеющимися подходами.

Вторая подборка будет от команды «Поиск новых материалов» на следующей неделе 🚀

Сегодня в рубрике #обзор_статей подборка от команды «Дизайн новых материалов» AIRI на тему квазикристаллов 💠

Квазикристаллы по праву признаются уникальным видом структурной организации вещества в твердом состоянии. Так происходит, потому что они обладают дальним порядком (то есть расположение атомов в пространстве подчиняется некоторым правилам), но не обладают привычной другим кристаллическим веществам трансляционной симметрией.

🔳 В своей недавней работе ученые из Гарвардского и Массачусетского технологического университетов рассмотрели методы дизайна двумерных квазикристаллов с использованием японского искусства киригами. Инструментами стали бумага и ножницы. В очень наглядной форме исследователи показали, каким же образом возникают и связываются между собой строительные блоки квазикристаллов, которые и обуславливают особенности их структуры.

🔳 Многие ученые развивают и совершенствуют техники для предсказания новых квазикристаллов, и, конечно, методы машинного обучения и искусственного интеллекта применяются и здесь. В июле 2021 года увидела свет статья группы японских ученых, которые собрали массив данных для обучения модели классификатора. Он способен только лишь по химическому составу предсказывать, возможно ли получение квазикристаллов и их аппроксимантов в том или ином хим.составе.

🔳 В недавней работе команда «Дизайн новых метериалов» AIRI решала задачу поиска новых аппроксимантов квазикристаллов в богатых скандием бинарных составах. В отличие от авторов предыдущей работы, исследователи разработали гибридный подход на основе квантово-механических расчетов. Это позволило получать наборы синтетических (то есть расчетных) данных в требуемых объемах для обучения ансамблевых и нейросетевых моделей. С использованием таких моделей ученые смогли решить задачу предсказания термодинамических свойств множества гипотетических фаз и выбрать около 20 из них в качестве кандидатов для последующей экспериментальной проверки.

Предыдущая подборка статей по ссылке 🖇