Искусственный интеллект, применяемый для моделирования будущих лекарств, может давать систематические ошибки. К такому выводу пришли ученые МФТИ, проверив четыре популярных алгоритма. Это исследование поможет разработчикам препаратов точнее оценивать риски при использовании нейросетей и укажет пути совершенствования таких систем. Результаты опубликованы в виде препринта на платформе bioRxiv.
Современные методы искусственного интеллекта, такие как AlphaFold 3, произвели революцию в структурной биологии, научившись предсказывать пространственное строение белков. Их развитие позволило моделировать и комплексы белков с малыми молекулами (лигандами), используемые для создания новых лекарств. Это открыло широкие перспективы для биотехнологии и фармакологии. Однако точность таких предсказаний, особенно для молекул, способных менять свой заряд в зависимости от кислотности среды, до сих пор систематически не проверялась.
«Чтобы создать новое лекарство, ученым нужно понять, как молекула будущего препарата свяжется с белком в организме. Современные нейросети обещают решать эту задачу быстро – буквально за несколько часов или даже минут. Но есть одно «но»: ИИ не учитывает важную деталь – электрический заряд молекул. Дело в том, что многие вещества в живых организмах могут менять свой заряд в зависимости от среды: быть то нейтральными, то заряженными положительно или отрицательно. От этого зависит, будет ли лекарство действовать на нужную мишень. Тесты показали, что даже для простейших молекул, которые хорошо изучены, нейросети дают несогласованные результаты», — рассказал Иван Гущин, один из авторов исследования, заведующий лабораторией структурного анализа и инжиниринга мембранных систем МФТИ.
В ходе работы ученые протестировали четыре популярных инструмента: AlphaFold 3, Boltz-2, Chai-1 и Protenix-v1. В качестве тестовых объектов взяли простейшие соединения, способные существовать как в нейтральной, так и в заряженной форме – метиламин и уксусную кислоту. Эти молекулы повсеместно встречаются в белках и, следовательно, должны быть хорошо «знакомы» нейросетям. Однако вычислительные эксперименты показали, что результаты их предсказаний в большинстве случаев сильнее зависели от формата описания молекулы на входе (стандарт химических компонентов CCD или строковая запись SMILES), чем от ее заряда.
Особое беспокойство у авторов работы вызвала геометрия предсказанных структур. Длины химических связей в молекулах оказались систематически короче реально возможных, вплоть до абсурдных значений. Например, одна из программ «сжимала» связь до 0,0075 нанометра, хотя даже по самым скромным меркам она должна быть минимум в десять раз длиннее. Это говорит о том, что нейросеть не до конца понимает элементарную химию и может генерировать молекулы с физически невозможной геометрией, то есть предсказывать их поведение в организме с ошибками.
«Ни один из четырех популярных методов явно не выделился по качеству предсказаний. Полученные результаты следует интерпретировать с осторожностью. Важно думать в сторону улучшения таких алгоритмов. И здесь критически важны два фактора: во-первых, ИИ-модели должны выдавать одинаковый результат независимо от формата входных данных, во-вторых, при обучении нейросетей нужно учитывать, что молекулы могут менять свой заряд», — добавил Иван Гущин.
Работа выполнена при поддержке Министерства науки и высшего образования Российской Федерации (соглашение 075-03-2026-305, проект FSMG-2025-0003). Все сгенерированные модели и данные находятся в открытом доступе в репозитории Zenodo.
