Автор: 
Исследователи из университетов Сингапура и Китая разработали модель глубокого обучения для прогнозирования фармацевтических свойств лекарственных препаратов — MolMapNet. Разработка представлена в статье для журнала Nature Machine Intelligence.
Хотя инструменты искусственного интеллекта обычно хороши для распознавания пространственно-упорядоченных изображений (например, изображений объектов), они не так хорошо работают с неупорядоченными данными, такими как молекулярные свойства. Это ухудшает их эффективность при анализе фармацевтических препаратов. Учёные стремились преодолеть это ограничение. Цель — повышение производительности моделей глубокого обучения для прогнозирования фармацевтических свойств препаратов.
Создание модели глубокого обучения проходило в три этапа:
- Первый — широкое изучение внутренних взаимосвязей молекулярных свойств более чем 8 млн молекул.
- Второй — использование недавно разработанной техники преобразования данных для отображения молекулярных свойств фармацевтических препаратов в 2D-изображения. Макеты пикселей отражают внутренние отношения между этими свойствами. Они содержат важные индикаторы фармацевтических свойств, которые фиксируются с помощью обученных моделей глубокого обучения.
- Третий — обучение инструмента MolMapNet распознаванию 2D-изображения и использовать их для прогнозирования фармацевтических свойств.
В итоге ИИ может захватывать определённые шаблоны макета пикселей, которые характеризуют определённые фармацевтические свойства. Это похоже на то как искусственный интеллект различает мужчин и женщин на изображении, изучая различные гендерные особенности. Инновационный ИИ не требует точной настройки параметров, значит, он доступен для неспециалистов.
