Специалисты из Национальной ускорительной лаборатории SLAC в Калифорнии представили новую генеративную нейросеть MOLEXA (Molecular Structure Reconstruction from Coulomb Explosion Imaging). Алгоритм обучен восстанавливать трехмерную структуру молекул, опираясь на данные о разлете ионов после их разрушения мощным рентгеновским излучением. Этот подход, известный как визуализация кулоновского взрыва, открывает принципиально новые горизонты для наблюдения за быстрыми химическими реакциями.
Возможности и принципы работы MOLEXA
На текущем этапе нейросеть успешно реконструирует геометрию молекулярных соединений, состоящих из 10 и менее атомов. Это достижение является фундаментом для масштабирования технологии на более сложные объекты, что в будущем окажет серьезное влияние на фармацевтическую отрасль и фундаментальную химическую промышленность.
Традиционные методы, включая классическую электронную микроскопию, требуют предварительной фиксации образцов. Такой подход ограничивает возможности исследователей, так как исключает изучение молекул в их естественном динамическом состоянии. Метод кулоновского взрыва позволяет анализировать изолированные молекулы «на лету», однако ранее он сдерживался колоссальной вычислительной сложностью обработки результатов.
Иллюстрация: SLAC National Accelerator Laboratory
Оптимизация обучения нейросети
Модель MOLEXA справляется с барьерами благодаря особому подходу к обучению. Исследователи использовали двухэтапный процесс, совмещающий высокоточные симуляции с крупными массивами менее детальных данных. Такая комбинация позволила снизить показатель ошибок предсказания в два раза.
Эффективность ИИ была подтверждена в ходе испытаний на экспериментальных данных, собранных на Европейском рентгеновском лазере (XFEL). В качестве тестовых образцов ученые использовали молекулы воды, этанола и тетрафторметана. Результаты реконструкции продемонстрировали высокую степень соответствия с эталонными химическими структурами.
Перспективы «молекулярного кино»
В ближайших планах разработчиков — адаптация MOLEXA для анализа сложных, крупногабаритных молекул. В перспективе технология поможет создавать своеобразные «молекулярные фильмы», фиксирующие последовательные этапы развития химических превращений. Это значительно упростит интерпретацию данных, получаемых при работе с сверхкороткими рентгеновскими импульсами.
Также ведется работа над алгоритмами восстановления структуры молекул из фрагментарных данных. Если ИИ научится «достраивать» объект даже при потере части ионов во время детекции, методика станет по-настоящему универсальной. Успешная реализация этих задач позволит ученым изучать сложные белковые соединения, состоящие из тысяч атомов, что станет прорывом для биологических и промышленных исследований.
