Bratři Roman a Anton Bushuievovi z týmů Tomáše Pluskala z ÚOCHB a Josefa Šivice z Českého institutu informatiky, robotiky a kybernetiky ČVUT v Praze (CIIRC ČVUT) vloni zahájili spolupráci s odborníky ze 14 výzkumných institucí po celém světě na procesu systematického srovnávání a hodnocení metod umělé inteligence využívaných pro objevování molekul z dat hmotnostní spektrometrie.
Cílem společného projektu s názvem MassSpecGym je podnítit vývoj další generace modelů strojového učení pro identifikaci nových přírodních molekul s využitím ve vývoji léčiv, ve vědách o životním prostředí nebo v kosmickém výzkumu.
První úspěch na sebe nenechal dlouho čekat. Výsledky této mezioborové iniciativy byly v prosinci 2024 prezentovány na jedné z nejvýznamnějších světových konferencí o strojovém učení – NeurIPS 2024 ve Vancouveru.
Objevování malých molekul významně ovlivňuje řadu vědeckých oblastí, jako je organická chemie, molekulární biologie, vývoj léčiv a environmentální analýza. Navzdory významnému pokroku se ale zatím podařilo odhalit jen malý zlomek molekulární rozmanitosti života.
Základní metodou pro identifikaci molekulárních struktur z biologických a environmentálních vzorků je tandemová hmotnostní spektrometrie. Ta umožňuje využití při objevování biologicky aktivních sloučenin pro vývoj léčiv, optimalizaci dávkování léčiv v klinické praxi nebo detekci stopových množství znečišťujících látek v životním prostředí. Podstatou tandemové hmotnostní spektrometrie je fragmentace molekul a záznam hmotností těchto fragmentů.
„Z typického biologického nebo environmentálního vzorku je možné změřit tisíce tandemových hmotnostních spekter, z nichž každé zpravidla představuje samostatnou molekulu. Popis těchto spekter pomocí molekulárních struktur je však stále výzva, přičemž pomocí nejmodernějších metod strojového učení se podaří popsat méně než 10 % spekter. Velká část chemického prostoru tak zůstává neobjevená, což brzdí další vědecký a technologický pokrok,“ říká Tomáš Pluskal z ÚOCHB.
V současné době je vývoj metod umělé inteligence (AI) pro hmotnostní spektrometrii omezen tím, že chybí dobře standardizované trénovací datové sady a hodnoticí protokoly. Projekt „MassSpecGym: Benchmark pro objevování a identifikaci molekul“ toto omezení řeší.
„Standardizované benchmarky strojového učení, jako je ImageNet, způsobily revoluci v oblasti umělé inteligence tím, že určily referenční měřítka vývoje, hodnocení a posuzování pokroku. Podobně navrhujeme referenční standardy pro objevování molekul, které se zaměří na popis tandemových hmotnostních spekter, a snažíme se tím podpořit novou generaci AI modelů pro odhalování dosud neobjevených chemických látek vyskytujících se v přírodě,“ vysvětluje doktorand a hlavní autor projektu Roman Bushuiev.
MassSpecGym zahrnuje tři základní komponenty: (i) největší veřejně dostupnou datovou sadu tandemových hmotnostních spekter označených molekulárními strukturami, (ii) tři přesně definované úlohy strojového učení, které převádějí proces objevování molekul z hmotnostních spekter do dobře definovaných výpočetních problémů, a (iii) pečlivě vybrané páry hmotnostních spekter a molekul určené k vyhodnocení schopnosti modelů umělé inteligence zobecňovat naučené znalosti na nové molekuly. Kromě toho MassSpecGym poskytuje uživatelsky přívětivou platformu pro vývoj a vyhodnocování nových AI modelů.
Vědecká práce MassSpecGym byla vybrána pro „Spotlight” prezentaci na konferencí o strojovém učení NeurIPS 2024 ve Vancouveru, která je jednou z nejprestižnějších konferencí v oblasti strojového učení a podle Google Scholar se řadí mezi deset nejvýznamnějších časopisů a konferencí na světě.
Tento výzkum je spolufinancován z projektů EU FRONTIER (č. 101097822) a ELIAS (č. 101120237).
- Autor článku: ne
- Zdroj: Ústav organické chemie a biochemie
