К видеогенеративным моделям молекулярного мира
Генеративные модели ИИ, способные создавать изображения и видео по текстовым запросам, теперь находят применение в химии и биологии для изучения статичных молекул (например, AlphaFold для предсказания структур белков). Однако молекулы находятся в постоянном движении, что критически важно при разработке новых белков и лекарств. Традиционное моделирование этих движений с помощью молекулярной динамики требует огромных вычислительных ресурсов.
Исследователи из Лаборатории компьютерных наук и искусственного интеллекта MIT (CSAIL) и факультета математики сделали шаг к более эффективному моделированию, создав генеративную модель MDGen.
MDGen умеет:
- Взять один 3D-кадр молекулы и смоделировать последующие события, как видео.
- Соединять отдельные статичные кадры.
- Заполнять пропущенные кадры в последовательности.
Это может помочь химикам изучать взаимодействие прототипов лекарств от рака и других болезней с целевыми молекулярными структурами.
Исследование опубликовано на сервере препринтов arXiv.
Новый подход: параллельная генерация
MDGen представляет собой смену парадигмы по сравнению с предыдущими подходами. Ранние модели были авторегрессивными — они генерировали видео последовательно, кадр за кадром, начиная с первого. MDGen же генерирует кадры параллельно с помощью диффузионной модели. Это позволяет системе соединять кадры на концах последовательности или «повышать частоту кадров» траектории.
Результаты экспериментов
В тестах симуляции MDGen были сопоставимы по точности с физическим моделированием, но выполнялись в 10–100 раз быстрее.
- Генерация по первому кадру: Модель смогла сгенерировать 100 наносекунд динамики по одному 3D-кадру, затратив около минуты против трёх часов у базовой модели.
- Заполнение промежутков: По первому и последнему кадру наносекундной последовательности MDGen смоделировал промежуточные шаги, показав более реалистичные траектории на отрезках короче 100 нс, чем базовые модели.
- Другие функции: Система также способна «повышать частоту кадров» для захвата быстрых явлений и «восстанавливать» удалённую информацию о структурах молекул (аналог inpainting в изображениях).
Текущие ограничения и будущее
Авторы подчёркивают, что MDGen — это раннее доказательство концепции. Модель пока работает на упрощённых («игрушечных») системах, а не на полноценных белках. Для масштабирования не хватает объёмов данных, сопоставимых с «YouTube для молекулярных симуляций».
Планы на будущее включают:
- Масштабирование MDGen для предсказания динамики белков.
- Разработку отдельного метода машинного обучения для ускорения сбора данных для модели.
Несмотря на ограничения, MDGen открывает перспективный путь для моделирования молекулярных изменений, невидимых невооружённым глазом, что может углубить понимание поведения прототипов лекарств.