Химик в мире нейросетей - Максимилиан Копылович

другой автомат снимает рентгеновскую дифрактограмму. Это и есть автономная лаборатория в Беркли (A-Lab). Она построена как раз для того, чтобы ставить опыты по заявкам от ИИ вроде GNoME. Цикл выглядит так: GNoME или MatterGen выдаёт список перспективных структур. Автономная лаборатория берёт их в работу: дозирует прекурсоры, спекает, отжигает. Встроенный рентгеновский дифрактометр анализирует продукт. Алгоритм сравнивает полученную картину с предсказанной и решает: успех или нужно изменить условия. Результат идёт обратно ИИ, улучшая следующие предсказания. За несколько месяцев непрерывной работы такая лаборатория синтезировала и подтвердила десятки новых соединений из списка GNoME, показав, что замкнутый цикл «гипотеза → синтез → проверка → новая гипотеза» — это не фантастика, а реальность. Раньше такой путь от идеи до публикации занимал годы; теперь — дни.

Попробуй сам

Зайди на сайт Materials Project. В строке поиска набери LiFePO₄ — это материал катода твоего будущего электросамоката. Ты увидишь его кристаллическую структуру: как шарики кислорода, железа, фосфора и лития складываются в решётку, увидишь предсказанную энергию образования и зонную диаграмму. Поиграй с другими материалами: NaCl (поваренная соль), SiO₂ (кварц). Сравни, насколько они стабильны, как выглядят их графовые сети связей. А теперь попробуй найти материал с конкретным свойством — например, шириной запрещённой зоны около 1,5 эВ для солнечной батареи. Почувствуй себя материаловедом, который ищет иголку в стоге сена, но с мощнейшим ИИ-фонариком. Обрати внимание на статус каждого кандидата: где-то написано «predicted», где-то — «experimental». Что это значит? Если материал только предсказан, а экспериментально никто его ещё не получил, — это всё ещё гипотеза. GNoME может считать его стабильным, но пока A-Lab или другая лаборатория не подтвердит это, красивая решётка остаётся просто картинкой. Именно здесь проходит граница между «ИИ нарисовал» и «материал синтезировали». И это возвращает нас к важнейшей теме критического мышления: не всё, что предсказано, можно подержать в руках. Ну а пока — представляй, как робот-манипулятор взвешивает порошки для твоего будущего рекордного аккумулятора.

 

 

Глава 8. На стыке химии и биологии

До сих пор мы говорили о молекулах и материалах, которые химик придумывает и синтезирует сам: лекарства, полимеры, катализаторы. Но есть класс молекул, который природа оттачивала миллиарды лет, — белки. Они умеют сворачиваться в эффективные наномашины, ускорять реакции в миллионы раз и собираться в сложные ансамбли. Ещё вчера расшифровка структуры одного-единственного белка занимала годы и стоила как крыло самолёта. А сегодня школьник с ноутбуком может за минуту получить трёхмерную модель белка, более того, он может придумать совершенно новый белок, которого нет в природе. Давай посмотрим, как искусственный интеллект превратил биологию в раздел химии, а химиков — в архитекторов живых молекул.

Как известно, от уникальной трёхмерной структуры белка зависит, будет ли он переносить кислород (как гемоглобин), переваривать пищу (как пепсин) или поглощать и излучать свет (как флуоресцентный белок). Понять, какая структура получится из данной последовательности аминокислот, — это и есть «проблема фолдинга белка». Экспериментальные методы вроде рентгеноструктурного анализа были дорогими и медленными, а компьютерные расчёты вязли в астрономическом числе возможных конформаций. В 2020 году компания DeepMind представила AlphaFold2 — нейросеть, которая по аминокислотной последовательности предсказывала структуру белка с точностью, сопоставимой с экспериментом. Это было не просто улучшение на пару процентов — это было решение задачи, над которой бились полвека. В 2024 году Нобелевская премия по химии была присуждена Демису Хассабису, Джону Джамперу (создателям AlphaFold) и Дэвиду Бейкеру — пионеру вычислительного дизайна белков. Обрати внимание: премия по химии, а не по биологии. Потому что предсказание и дизайн структуры белков — это химия, просто молекула очень большая и сложная.

Если без формул: AlphaFold работает как умный детектив, который ищет корреляции в базе данных известных белковых структур и множественных выравниваний последовательностей. Он берёт цепочку аминокислот и строит попарные карты расстояний между всеми парами остатков, а затем итеративно «лепит» трёхмерную модель, похожую на оригами. Нейросеть учится на примерах: вот так выглядят альфа-спирали, вот так — бета-листы, а если в поворотной петле стоит глицин, то здесь будет резкий изгиб. Это аналог графовых и трансформерных моделей, только для последовательностей. Через несколько дней после выхода AlphaFold2 учёные по всему миру начали предсказывать структуры белков, которые раньше были недоступны, включая белки вирусов и ключевые ферменты.

В 2024 году вышла следующая версия — AlphaFold3. Она шагнула дальше и научилась предсказывать не только одиночные белки, но и их комплексы — с ДНК, РНК, маленькими молекулами-лигандами (лекарствами), кофакторами, ионами металлов. Теперь можно посмотреть, как потенциальное лекарство «садится» в активный центр фермента, ещё до того, как ты его синтезировал. Можно увидеть, как РНК-полимераза связывается с ДНК-матрицей или как хлорофилл с ионом магния удерживается в активном центре светособирающего белка. AlphaFold3 объединяет все эти взаимодействия в единой модели, и это уже прямой мост от генетики к химическому синтезу. Потенциально ты можешь придумать ингибитор для вирусного белка, загрузить последовательность белка и свою молекулу в AlphaFold3 и через минуту получить картину их совместной укладки.

Но самое захватывающее — это не предсказание существующего, а создание нового. Группа Дэвида Бейкера (того самого нобелевского лауреата) разработала RFdiffusion — диффузионную модель, которая генерирует белки «с нуля» под заданную функцию. Ты помнишь, как диффузионные модели вроде MatterGen рождают кристаллы из шума? Здесь тот же принцип, только для полипептидных цепей. Ты говоришь: «Хочу белок, который будет связывать молекулу X и катализировать реакцию Y, а активный центр пусть содержит цинк и два гистидина». Модель, обученная на десятках тысяч реальных белковых структур, «вытанцовывает» из случайного шума аминокислотную последовательность и её трёхмерную укладку, которые удовлетворяют этим условиям. Такой дизайн ферментов-катализаторов — это ретросинтез наоборот. В обычном ретросинтезе ты смотришь на сложную молекулу и думаешь, из каких простых кубиков её собрать. В дизайне белка ты смотришь на желаемую реакцию и думаешь, какой катализатор её осуществит. Раньше химики пытались конструировать активные центры вручную, полагаясь на интуицию и квантовые расчёты, и часто терпели неудачу: белок не сворачивался или не работал. RFdiffusion и её расширение RFdiffusion3 учатся на удачных и неудачных дизайнах и выдают кандидатов с высокой вероятностью успеха. Уже сейчас получены десятки искусственных ферментов, для которых природа не создала аналогов.

Попробуй сам

Это как раз тот случай, когда слова «Нобелевская премия» и «твои руки» стоят в одном предложении. Зайди на сайт UniProt и найди запись для инсулина человека (например, P01308). Обрати внимание: инсулин состоит из двух цепей (A и B), соединённых дисульфидными мостиками. Открой AlphaFold Server, вставь эту последовательность