תבונה מלאכותית ומכאניקת הקוונטים יסייעו לגלות תרופות

רשתות נוירונים להדמיית תנועה מולקולארית * התחום של למידת מכונה מאפשר ליישם את מכניקת הקוואנטים באופן יעיל בהדמיות מולקולאריות

[תרגום מאת ד”ר נחמני משה]

מחקר חדש בהובלת חוקרים מאוניברסיטת קרוליינה הצפונית ואוניברסיטת פלורידה מראה כי ניתן “ללמד” רשתות נוירונים מלאכותיות ליישם את החוקים של מכניקת הקוואנטים על מנת לתאר את התנועות של מולקולות, כלומר, לפתח הדמיות המשמשות במגוון רחב של תחומי ידע.
“משמעות ממצאי המחקר היא שכעת אנו מסוגלים למדל חומרים ודינמיקה מולקולארית בקצב המהיר פי מיליארד בהשוואה לשיטות קוונטיות רגילות, תוך שימור אותה רמה של דיוק”, אמר אחד מהחוקרים. הבנת האופן שבו מולקולות נעות היא חיונית ורבת ערך עבור פיתוח תרופות, הדמיות חלבונים וכימיה של חומרים תגובתיים, למשל, והן שיטות של מכניקה קוונטית והן שיטות ניסיוניות (אמפיריות) ניתנות לניצול במסגרת הדמיות אלו.

בשיטה החדשה טמונה הבטחה לקידום היכולות של חוקרים בתחומים רבים ולשיפור הדיוק המבוסס על למידת מכונה במחקרים עתידיים של סגסוגות מתכת ופיזיקה של נפצים. אלגוריתמים של מכניקה קוונטית, המשמשים במחשבים רגילים, יכולים לתאר בדיוק רב את התנועות המכניות של תרכובת בסביבה מוגדרת. אולם, שיטות של מכניקה קוונטית מוגבלות מבחינת גודל מולקולארי משתנה של התרכובות, וההדמיות שלהן לפיכך פחות מדויקות. אפילו הגדלה קטנה בגודל המולקולארי במסגרת הדמיה נתונה עשויה להגביר באופן קיצוני את כוח המחשוב הנדרש. לכן, מדענים לרוב משתמשים במידע אמפירי, המתאר את התנועה של אטומים במסגרת של פיזיקה קלאסית וחוקי ניוטון, המולידים הדמיות המתאימות גם למיליארדי אטומים או מיליוני תרכובות כימיות. באופן מסורתי, פוטנציאלים אמפיריים נדרשים לשקלול תמורות בין עִתּוּקִיּוּת (של מודל) לבין דיוק – כאשר מכווננים כראוי פרמטרים רבים עבור תרכובת אחת, הדיוק לגבי תרכובות אחרות קטן. בניגוד לכך, החוקרים פיתחו גישה של למידת מכונה הקרויה בשם “transfer learning” המאפשרת לחוקרים לפתח פוטנציאלים אמפיריים על ידי למידה מתוך נתונים שנאספו לגבי מיליוני תרכובות. הגישה החדשה תוכל להיות מיושמת עבור מולקולות חדשות ברמה של מילישניות, תוצאה שתאפשר חקר של הרבה יותר תרכובות בסדרי זמן הרבה יותר קצרים.

המאמר המתאר את המחקר

הידיעה על המחקר