Зеркальная лаборатория

Лаборатория вычислительной физики совместно с Институтом химии растворов им. Г.А. Крестова Российской академии наук (г. Иваново) в рамках проекта "Зеркальные лаборатории": "Прогнозирование свойств молекулярных систем: совмещение методов машинного обучения и классических методов моделирования" проводят совместную научную деятельность, направленную на развитие концепции генеративного дизайна в области химии и материаловедения. Основной целью является применение и разработка современных методов компьютерного моделирования молекулярных систем, основанных на достижениях современной теоретической физики и прикладной математики, для моделирования и предсказания свойств молекулярных систем и материалов на их основе. Таким образом, главная цель Зеркальных лабораторий - вести передовые научные исследования в области вычислительной химии, комплексного дизайна новых материалов на основе обработки больших данных по их практически значимым свойствам, включая физико-химические и биохимические.

Сегодня суперкомпьютеры и методы компьютерного моделирования, включая классические подходы прикладной математики, теоретической физики и глубокого машинного обучения, являются мощными инструментами для изучения молекулярных систем и материалов. Они используются для описания свойств уже известных материалов, а также для предсказания новых материалов с необходимыми свойствами. Эти методы основаны на обработке больших физико-химических данных с помощью методов машинного обучения, включая нейросетевые технологии.

Развитие и внедрение этих методов в различные сферы деятельности привели к возникновению генеративного дизайна - нового инструмента для проектирования и моделирования. Генеративный дизайн позволяет делегировать компьютеру огромный объем операций и расчетов. Таким образом, ученые, инженеры и дизайнеры могут стать генераторами идей или принципов, а оптимальные пути достижения результата генерируются с использованием продвинутых нейронных сетей и мощных суперкомпьютеров.

Команда сотрудников Зеркальной Лаборатории победила в Tox24 Challenge

Использование предиктивных методов для оценки токсикологических свойств представляет собой альтернативный подход, который облегчает идентификацию безопасных соединений и снижает финансовые затраты, связанные с процессом. Целью Tox24 Challenge была оценка прогресса в вычислительных методах прогнозирования активности химического связывания с белком транстиретином. Для выполнения этой задачи использовался набор данных Агентства по охране окружающей среды, включающий 1512 химических веществ разной природы.

Наша команда представила победное решение в Tox24 Challenge, основанное на ансамбле из четырех моделей: CatBoost с дескрипторами ALogPS и OEstate, CatBoost с дескрипторами Mold2, Transformer Convolutional Neural Fingerprint и Transformer Convolutional Neural Network. Этот консенсусный подход использует преимущества каждой отдельной модели, что позволило минимизировать дисперсию и смещение, достигнув самой низкой ошибки на слепом тестовом наборе среди всех участников. https://ochem.eu/challenge/showfinal.do.