Химик в мире нейросетей - Максимилиан Копылович

простая. Представь, что тебе нужно пройти лабиринт от выхода к старту. Ты можешь пойти направо или налево, потом ещё раз и ещё — вариантов множество. Чтобы не перебирать всё, ты запускаешь тысячу виртуальных мышей, которые бегут случайно, но каждая запоминает, как далеко она смогла убежать и не упёрлась ли в тупик. Через некоторое время самые успешные маршруты протаптываются, и ты понимаешь: скорее всего, правильный путь — вот этот. MCTS делает то же самое с деревом химических превращений: пробует случайные разрывы связей, оценивает перспективность каждого промежуточного соединения и шаг за шагом выстраивает оптимальный маршрут. При этом ASKCOS использует не одну модель ретросинтеза, а целых четыре — шаблонные и бесшаблонные, что повышает надёжность предсказаний.

Другой гигант на этом поле — облачная платформа IBM RXN for Chemistry. Если ASKCOS больше полагается на поиск по дереву, то IBM RXN — это чистокровный трансформер, родной брат тех моделей, что переводят текст с английского на русский. Вспомни: молекулу можно записать в виде строки SMILES. Для трансформера реакция — это просто «перевод» строки реагентов в строку продуктов. Он обучается на миллионах таких «предложений» и учится достраивать недостающие атомы и связи с высокой точностью: в девяти случаях из десяти трансформер правильно угадывает, что получится в колбе, даже если он никогда не видел именно эту комбинацию реагентов. Базовая версия IBM RXN бесплатна и умеет предлагать полные синтетические маршруты. Ты просто рисуешь целевую молекулу, нажимаешь кнопку — и через минуту получаешь несколько вариантов со всеми промежуточными стадиями, ссылками на литературу и оценкой вероятности успеха.

Но химия — это не только вопрос «можно ли синтезировать». Это всегда баланс цены, безопасности и практичности. Можно синтезировать целебную молекулу за 10 стадий через цианиды и кипящий диоксан — но токсичность зашкалит, а цена будет как у острова на Мальдивах. А можно найти четырёхстадийный маршрут с использованием копеечных реагентов и воды как растворителя. Как научить машину выбирать не просто возможный, а оптимальный маршрут? Здесь в игру вступают ещё более продвинутые системы.

DeepRetro — это открытый фреймворк, который объединяет обычные ретросинтетические движки с большой языковой моделью (наподобие ChatGPT) в итеративном цикле. Ты можешь сказать: «Этот маршрут мне не нравится — слишком дорого», и языковая модель поймёт тебя, передаст пожелание движку, и тот предложит альтернативу. Диалог между химиком и ИИ становится непрерывным уточнением задачи.

Ещё один интересный инструмент — MHNpath, построенный на современных сетях Хопфилда. Он позволяет заранее настроить систему приоритетов: цена, температура, токсичность, доступность реагентов. Ты выставляешь ползунки: «Хочу подешевле, до 100°C и без сверхтоксичных веществ». И сеть Хопфилда ищет такой маршрут, оптимизируя сразу все параметры. Фактически, ты становишься не просто химиком, а менеджером проекта, который задаёт критерии успеха, а машина подбирает варианты. Лучше всего это сравнить с конструктором, где ты из молекул-прекурсоров можешь собрать сложную модель — целевое лекарство. Раньше ты сидел часами и придумывал инструкцию сам, перебирая детали, теперь ты просто показываешь нейросети фотографию модели и говоришь: «Сделай мне инструкцию, но так, чтобы использовать только детали из этого ящика и чтобы собрать можно было за час». И нейросеть выдаёт несколько пронумерованных шагов: шаг 1 — возьми бензойную кислоту, шаг 2 — добавь уксусный ангидрид, шаг 3 — подогрей до 60°C… И сортирует эти инструкции по цене, скорости и количеству шагов. Можно собрать быстро и дорого, можно долго и дёшево, а можно — оптимально.

Все эти системы работают уже сейчас, и многие из них бесплатны. Впервые в истории любой химик может сесть за ноутбук и спланировать синтез сложной молекулы, на который у профессоров XX века уходили недели. Всё, что требуется, — нарисовать молекулу и задать правильные вопросы. А критическое мышление понадобится, чтобы отсеять красивые, но нереализуемые предложения — всё-таки даже самый умный ИИ иногда галлюцинирует. В следующей главе мы посмотрим, как роботы не только планируют, но и сами ставят реакции, замыкая цикл «гипотеза → эксперимент», о чём Кори мог только мечтать.

Попробуй сам

А теперь давай ненадолго включим «режим LHASA». Возьми простую молекулу — например, всё тот же аспирин. Попробуй записать на бумаге правила, просто сформулируй словами, как бы ты объяснял способ его синтеза воображаемому компьютеру-новичку. Начни с очевидного: «Найди все связи, которые можно мысленно разорвать», «Посмотри, какие фрагменты получаются», «Для каждого фрагмента проверь, есть ли коммерчески доступный реагент». А теперь представь, что тебе нужно записать все исключения. Что делать, если в молекуле и спиртовая группа, и кислотная? Что, если она полициклическая? Сколько правил и запретов у тебя получилось уже через пять минут? Если счёт пошёл на десятки и ты начал путаться — добро пожаловать в мир экспертных систем. Именно в нём пытался навести порядок Кори, вооружившись карандашом и верой в алгоритмы. А теперь вообрази, что кто-то предложил не дописывать правила до бесконечности, а просто показать машине миллион удачных синтезов. Чувствуешь разницу в подходе?

А сейчас открой две вкладки в браузере: IBM RXN for Chemistry (нужна бесплатная регистрация) и ASKCOS. Нарисуй в обеих системах аспирин — ту самую 2-ацетоксибензойную кислоту, которая уже стала нашим талисманом. Запусти предсказание ретросинтеза и через минуту получишь два независимых набора маршрутов. А теперь поработай детективом. Сравни, какой путь короче, какой использует более дешёвые и доступные реагенты, какой предлагает жёсткие или опасные условия. Где системы сошлись во мнении, а где разошлись? Представь, что ты руководитель фармацевтического отдела и у тебя в лаборатории нет уксусного ангидрида, зато есть уксусная кислота — какой маршрут останется, а какой отправится в корзину? Запиши свои выводы в любой блокнот: два независимых свидетеля надёжнее одного, и привычка фиксировать ход мыслей пригодится, когда мы доберёмся до лабораторного дневника 2.0. Если хочешь продолжить расследование, повтори эксперимент с парацетамолом или кофеином и сравни, насколько предсказания зависят от структуры молекулы.

 

 

Глава 10. Роботы-химики

В прошлой главе мы стали виртуальными планировщиками синтеза: нажали кнопку — и получили маршрут. Но кто-то ведь должен смешать реагенты, нагреть колбу и проверить, получился ли белый порошок или бурая жижа? Когда-то это делал ты сам, стоя у вытяжного шкафа с пипеткой. Потом появились простые автоматы: загрузил пробирки, нажал «старт» — и машина сама дозирует. Но сегодняшние роботы-химики умеют гораздо больше: они не просто выполняют твои команды, а сами решают, какой эксперимент поставить следующим, и даже находят рецепты, которые тебе и в голову не пришли бы. Давай посмотрим, как выглядит эта эволюция — от «умной кофеварки»