Az EGInterpolator gyorsíthatja az AI-alapú molekuladinamikát
A Lambda és a Stanford University kutatói olyan keretrendszert mutattak be, amely a statikus molekulaszerkezetekből szerzett tudást használja fel a molekuladinamikai pályák AI-alapú előállításához. Az EGInterpolator célja, hogy csökkentse a drága és szűkösen rendelkezésre álló molekuladinamikai adatoktól való függést a gyógyszerkutatásban.
- Az EGInterpolator statikus molekulaszerkezetekből tanulja meg a molekulák geometriáját.
- A második tanítási szakasz a molekuladinamikai pályák időbeli alakulására összpontosít.
- A DRUGS benchmarkon a módszer több mutatóban felülmúlta a GeoTDM-et.
- A szerkezet-előtanítás eltávolítása minden vizsgált mozgásmutatónál rontotta az eredményeket.
- A modelleket Lambda GPU-infrastruktúrán, NVIDIA GPU-kkal tanították és tesztelték.
A molekulák mozgását is meg kell érteni
A molekuladinamika fontos eszköz a modern gyógyszerkutatásban. A szerkezet-előrejelzés és a molekuláris dokkolás megmutathatja, hogyan illeszkedhet egy lehetséges gyógyszer egy fehérjéhez, ezek azonban csak pillanatképet adnak. A molekulák folyamatosan mozognak, ezért a kutatóknak azt is vizsgálniuk kell, hogy az interakció stabil marad-e, hogyan változik a fehérje alakja, és miként fejlődik a teljes molekuláris rendszer az időben.
Az ilyen szimulációk minden lépésben kiszámítják az atomok kölcsönhatását és mozgását, gyakran több millió lépésen keresztül. Emiatt jelentős számítási kapacitást és időt igényelnek, ami korlátozza, hogy a kutatók hány gyógyszerjelöltet tudnak részletesen tanulmányozni.
Kétlépcsős tanítás statikus adatokkal
Az AI felgyorsíthatja a molekuladinamikát, a betanításához azonban nagy mennyiségű molekuladinamikai pályára van szükség. Ezek előállítása éppen azért költséges, mert hagyományos szimulációkat igényel. A statikus molekulaszerkezetekből jóval több áll rendelkezésre, mint a kiváló minőségű dinamikai adatokból.
Az EGInterpolator ezt a különbséget használja ki. Első lépésben egy diffúzióalapú generatív modellt tanítanak nagy méretű molekulakonformer-adatokon. A modell így megtanulja a reális háromdimenziós molekulageometriát, például a kötéshosszakat, a kötésszögeket és a molekulák konformációit.
A második szakaszban egy pályainterpolátort tanítanak molekuladinamikai adatokon. Ez azt tanulja meg, hogyan kapcsolódnak egymáshoz a molekulaszerkezetek az időben. A Lambda szerint így a ritka és költséges dinamikai adatok arra összpontosíthatók, amit egyedileg biztosítanak, vagyis a molekulák mozgására.
A kutatás a Lambda közlése szerint fő konferenciatanulmányként bekerült az ICLR 2026 programjába.
Jobb eredmények a DRUGS benchmarkon
Az EGInterpolator a közlés szerint a referencia-molekuladinamikai szimulációkhoz hasonlóbb pályákat generált. A DRUGS forward-simulation benchmarkon több, a molekulageometriát és a mozgást mérő mutatóban is felülmúlta a korábbi GeoTDM módszert.
A kötésszögek esetében a referencia-szimulációktól mért eltérés átlagos Jensen, Shannon-divergenciája 0,640-ről 0,173-ra csökkent, ami körülbelül 73 százalékos javulás. A kötéshosszaknál az érték 0,643-ról 0,142-ra, körülbelül 78 százalékkal csökkent. A torziós mozgásnál 0,498-ról 0,377-ra mérséklődött az eltérés, ami körülbelül 24 százalékos csökkenés.
A szerkezet-előtanítás szerepét külön vizsgálat is alátámasztotta. Ennek eltávolítása a kötésszögek eltérését 0,173-ról 0,332-ra, a kötéshosszakét 0,142-ról 0,386-ra, a torziós mozgásét pedig 0,377-ről 0,455-ra növelte. A módszert tetrapeptideken és fehérjemonomereken is kiterjesztették.
GPU-infrastruktúrára épülő gyógyszerkutatási folyamat
A Lambda szeptember 21-i beszámolója szerint a molekuladinamika egyre inkább GPU-kra épülő AI-munkafolyamattá válik, ahogy az AI molekulaszerkezeteket, energiákat, erőket és pályákat is képes tanulni. Az EGInterpolator modelljeit és értékeléseit Lambda GPU-infrastruktúrán, NVIDIA GPU-kat használó több GPU-s kísérletekben tanították és tesztelték.
A kutatók a környezetet molekulákon, gyógyszerszerű vegyületeken, peptideken és fehérjéken végzett fejlesztéshez használták. A Lambda szerint a megközelítés olyan számításigényes gyógyszerkutatási folyamatok része lehet, amelyekben a célpont megértése, a fehérjeszerkezet előrejelzése, a molekulagenerálás, a virtuális szűrés, a dokkolás és a molekuladinamika közös GPU-s platformon fut.
