Химик в мире нейросетей - Максимилиан Копылович

агентов нет никакого волшебства — только грамотно связанные друг с другом программы. В следующей главе мы спустимся на ступеньку ниже — от планирования к анализу. Ты синтезировал вещество, теперь надо понять, что получилось. И тут в игру вступают нейросети-спектроскописты.

 

 

Глава 12. Призрак в спектре

Ты сидишь в лаборатории, перед тобой — колба с вязкой жидкостью, брутто-формула вещества C₁₇H₂₁NO₄, но ты понятия не имеешь, как именно атомы сложились в пространстве. Рядом лежит листок с ЯМР-спектром — десятки пиков, дублетов, триплетов, мультиплетов. Твоя задача: восстановить полную структуру молекулы. Без этого ты не можешь публиковать статью, не можешь продолжать синтез, не можешь даже толком понять, что создал. Ты — детектив, спектр — улика, а неизвестная молекула где-то прячется за частоколом сигналов. Ещё двадцать лет назад ты потратил бы на решение этой задачи несколько дней, а то и недель. Сегодня ты открываешь ноутбук, загружаешь файл и через секунду получаешь ответ: «Вероятнее всего, это скополамин — природный алкалоид, содержащийся в растениях семейства паслёновых».

В главе 1 мы вспоминали, как химики конца XX века «расшифровывали» спектры вручную. Ты получал бумажную ленту самописца с пиками, похожими на кардиограмму, и начинал священнодействие. Для каждого сигнала нужно было измерить химический сдвиг (в миллионных долях, линейкой по распечатке!), посчитать интеграл (площадь под пиком — сколько протонов), оценить мультиплетность (расщепление) и константы взаимодействия. Потом всё это складывалось в мозаику: «Если тут дублет на 2.1 м.д. и интеграл 3Н, а там квартет на 4.0 м.д. и интеграл 2Н, то, кажется, это этильная группа, соседствующая с карбонилом…». Ты сидел с карандашом, рисовал возможные фрагменты, перебирал варианты, спорил с коллегами. Это было искусство, требовавшее колоссального опыта и пространственного воображения. Параллельно существовал и «компьютерный» путь: запустить расчёт для предполагаемой структуры и предсказать спектр. Но такой расчёт работал медленно и требовал подгонок. На один спектр нередко уходили часы машинного времени, а ошибки всё равно оставались.

Сегодня же предсказание ЯМР-спектра (химические сдвиги и константы связи для ¹H, ¹³C, ¹⁵N, ¹⁹F) можно получить меньше чем за секунду. Именно так работает IMPRESSION-G2 — трансформерная нейросеть, обученная на огромной базе квантово-химических расчётов и экспериментальных данных. Помнишь трансформеры, которые «переводят» молекулы в свойства? Здесь тот же принцип: на вход подаётся трёхмерная структура молекулы, а нейросеть мгновенно выдаёт значения всех химических сдвигов с точностью, почти неотличимой от DFT, но во много раз быстрее. На обычном ноутбуке за минуту можно обсчитать сотни молекул — задача, на которую у суперкомпьютера с DFT ушли бы недели. Как это меняет работу? Раньше, чтобы проверить гипотезу о структуре, ты должен был либо полагаться на интуицию, либо запускать долгий расчёт. Теперь ты спрашиваешь: «А что если это не пара-изомер, а орто-изомер?» — и через секунду видишь предсказанный спектр для каждого варианта. Наложил на экспериментальный — и сразу видно, какой лучше подходит.

Но и это не вершина. IMPRESSION-G2 предсказывает спектр по структуре. А что, если мы хотим обратного: из спектра получить структуру? Именно это делает ChefNMR — диффузионная модель, которая по протонному спектру и брутто-формуле восстанавливает молекулярную структуру. Помнишь диффузионные модели (MatterGen, RFdiffusion), которые лепят молекулы из шума? Здесь шум — это не координаты атомов, а спектральные данные, которые постепенно «очищаются» до конкретной формулы. Для сложных природных соединений точность ChefNMR превышает 65% на симулированных бенчмарках; на реальных экспериментальных спектрах этот показатель ниже. Тем не менее, для полностью автоматического метода это весьма солидно, ведь природные молекулы часто имеют запутанные полициклические скелеты с десятками стереоцентров. Можно сказать, что ChefNMR работает как опытный шеф-повар: по «аромату» спектра (пикам) и «весу» молекулы (брутто-формуле) восстанавливает рецепт укладки. И пусть пока точность не 100%, для первичного скрининга неизвестного вещества это удобный инструмент. За считанные минуты ты получаешь нескольких правдоподобных кандидатов и затем проверяешь их другими методами.

Что всё это значит для тебя, химика? Твоя роль принципиально меняется. Раньше ты был криминалистом с лупой, который часами сличал отпечатки пальцев (спектры) с картотекой. Теперь нейросеть делает это за тебя. Ты же превращаешься в Шерлока Холмса, который смотрит на результат и задаёт неочевидные вопросы: «Почему машина уверена, что гидроксильная группа находится именно здесь, хотя интеграл протона чуть меньше ожидаемого? Может, происходит таутомерия? Или внутримолекулярная водородная связь?». Ты начинаешь думать не только о формуле, а о динамике молекулы, о её поведении в растворе. Нейросеть даёт версию — ты её критически осмысливаешь. Это то самое партнёрство «человек + ИИ», где рутина отдана машине, а стратегия и интерпретация — тебе. И, конечно, не забывай: нейросети иногда ошибаются, особенно если молекула содержит редкие атомы или находится в необычном окружении. Поэтому окончательный вердикт всегда за экспериментом, но при этом скорость выдвижения гипотез возрастает в разы.

Попробуй сам

Сейчас ты сам станешь детективом по отпечаткам молекул. Зайди на nmrdb.org — это бесплатный предсказатель ЯМР-спектров, который работает прямо в браузере. Нарисуй структуру этанола и нажми «Predict NMR». Ты увидишь модельный протонный спектр с пиками, мультиплетностью и интегралами. Найди в интернете реальный спектр этанола (просто введи в поиск картинок «ethanol 1H NMR») и сравни: где совпало идеально, а где разошлось? Подумай, почему: может, модель не учитывает растворитель, или реальный спектр снят на приборе с иным разрешением?

Потом перейди к детективной задаче: найди в сети спектр кофеина и попробуй вручную, с линейкой, определить структуру — как химик из девяностых. А теперь скорми этот же спектр модели в nmrdb.org и посмотри, что предложит машина. Сравни свой вариант с машинным. Где ты ошибся? Где машина была слишком самоуверенна? Именно так работает современная спектроскопия: нейросеть выдвигает версию, а ты её допрашиваешь. Не принимай предсказание на веру — помни, что редкие атомы и необычные условия могут сбить даже самую умную модель с толку. В следующей главе мы посмотрим, как лабораторный журнал, который раньше был просто тетрадкой с кляксами, превращается в интеллектуального ассистента и сам пишет черновик статьи.

 

 

Глава 13. Лабораторный дневник 2.0

Мы прошли долгий путь от бумажных картотек и трафаретов до роботов, которые сами ставят реакции, и нейросетей, которые читают спектры. Всё это — про работу руками и головой. Но есть одна вещь, которую ненавидят многие химики мира — и это лабораторный журнал.

Вот он, классический лабораторный журнал: толстая тетрадь в коленкоровом переплёте, страницы пронумерованы вручную, записи сделаны ручкой (обязательно! карандаш — несерьёзно). Туда вклеивали распечатки спектров, фотографии ТСХ-пластинок, рисовали схемы установок. Если ты проливал кофе