Dev48
ЯЗЫК
  • О нас
  • Услуги
  • Индустрии
  • Технологии
  • Статьи
  • Контакты
Забронировать звонок
    Главная/Статьи/Mozhet li ii pomoch uchenym nahodit perspektivnye kandidaty v lekarstvennye prep
Dev48
info@dev48.org+375 29 320-40-96WhatsApp@isky_by

© 2026 · Все права защищены.

Может ли ИИ помочь ученым находить перспективные кандидаты в лекарственные препараты?

Источник: OpenAI•20 ноября 2026 г. в 19:52

Может ли ИИ помочь ученым находить перспективные кандидаты в лекарственные препараты?

MedChemBench оценивает, насколько хорошо модели ИИ интерпретируют молекулярные структуры, делают выводы на основе экспериментальных данных и выбирают соединения на этапе ранней разработки лекарств.

Мы представляем MedChemBench — бенчмарк, который оценивает модели ИИ на основе задач на рассуждение, взятых из исследований по медицинской химии. Он проверяет, способны ли модели сопоставлять структуру молекулы с экспериментальными данными для объяснения результатов, сравнения соединений и прогнозирования их свойств. Создание ИИ, способного надежно поддерживать эту работу, — это шаг к тому, чтобы помочь ученым разрабатывать более эффективные лекарства.

Одна из самых сложных задач в этой области заключается в том, что улучшение одного свойства молекулы может ухудшить другое. Соединение может сильно действовать на белок, связанный с заболеванием, но плохо всасываться или слишком быстро разрушаться в организме. Медицинские химики справляются с этими компромиссами, проектируя, создавая и тестируя родственные соединения, а затем принимая решение о том, что делать дальше. Чтобы ИИ мог помочь, ему необходимо связывать изменения в молекулярной структуре с экспериментальными данными и рассуждать о том, какие соединения стоит исследовать дальше.

MedChemBench измеряет эти способности с помощью 99 задач, взятых из опубликованных научных работ. При настройке рассуждений xhigh модель GPT‑6.2 Astra набрала 84.5% от доступных баллов по сравнению с 83.3% у GPT‑6 Astra, 82.0% у GPT‑6.1 Sol и 58.2% у GPT‑5.6 Sol. Модель GPT‑6 Astra показала наилучшие результаты в реконструкции молекулярных структур и объяснении экспериментальных данных. Выбор соединений и прогнозирование их числовых свойств оказались более сложной задачей для этой модели.

Что оценивает MedChemBench

MedChemBench основан на 117 статьях и патентах и включает 761 уникальную молекулярную структуру. Для большинства задач модели получают контекст, доступный на определенном этапе исследовательской программы: биологическую мишень, цели исследователей, изученные к настоящему моменту соединения и выбранные экспериментальные результаты.

Бенчмарк оценивает четыре компонента:

  • Молекулярные структуры. Корректные связи между атомами и заданная стереохимия в молекулах, собранных из предоставленных рисунков и химических групп.

Молекулярные структуры. Корректные связи между атомами и заданная стереохимия в молекулах, собранных из предоставленных рисунков и химических групп.

  • Научные рассуждения. Объяснения, подтвержденные предоставленными данными, такие как причины выбора одного соединения вместо другого.

Научные рассуждения. Объяснения, подтвержденные предоставленными данными, такие как причины выбора одного соединения вместо другого.

  • Ранжирование и выбор. Ранжирование соединений и варианты выбора, отвечающие заявленным требованиям.

Ранжирование и выбор. Ранжирование соединений и варианты выбора, отвечающие заявленным требованиям.

  • Прогнозирование свойств. Соответствие числовым значениям и категориям, указанным в исходных материалах, включая измеренные и рассчитанные свойства молекул.

Прогнозирование свойств. Соответствие числовым значениям и категориям, указанным в исходных материалах, включая измеренные и рассчитанные свойства молекул.

Прогнозирование конкурирующих свойств

Одна из задач MedChemBench основана на исследованиях ингибиторов PRMT5, белка, изучаемого при разработке противораковых препаратов. Модель получает молекулярные структуры и результаты предыдущих экспериментов. Она должна предсказать, как поведут себя три родственных соединения: насколько сильно они блокируют PRMT5 в клетках, насколько легко они проникают через клеточный барьер и как быстро ферменты печени расщепляют их в лабораторном анализе.

Последующие эксперименты, скрытые от модели, выявили компромисс. Соединение 23 блокировало PRMT5 в клетках при меньшей концентрации, в то время как соединение 24 легче проникало через клеточный барьер и медленнее расщеплялось в анализе с ферментами печени.

Совместное прогнозирование этих свойств проверяет, способна ли модель связать молекулярные структуры с несколькими аспектами поведения соединений. Это отражает главную проблему медицинской химии: более высокая активность в отношении мишени не обязательно сопровождается лучшей проницаемостью или более медленным расщеплением.

Бенчмарк проверяет, правильно ли модель реконструирует молекулярные структуры и насколько ее прогнозы близки к экспериментальным измерениям. Прогнозы получают частичные баллы в зависимости от их близости к измеренным значениям. Измерения, уже предоставленные в промпте, также должны быть воспроизведены правильно.

Небольшие химические изменения могут привести к появлению других профилей свойств. Задача требует от моделей сопоставить структуры с данными об их поведении.

Тестирование пространственного мышления в медицинской химии

Прежде чем модель сможет рассуждать о свойствах соединения, ей необходимо правильно идентифицировать молекулу. Химические формулы кодируют межатомные связи, кольцевые структуры и стереохимию.

MedChemBench проверяет, сохраняют ли модели эту информацию при реконструкции молекул по предоставленным рисункам и химическим группам.

Одна из задач требует от моделей собрать молекулу из центральной структуры и двух присоединенных групп, сохранив при этом 18-атомное кольцо. При настройке максимальной глубины рассуждений, общей для всех одиннадцати моделей (xhigh), GPT‑6 Astra правильно реконструировала это соединение во всех десяти ответах. Модели GPT‑5.6 Sol и GPT‑5.6 Luna потерпели неудачу во всех десяти ответах.

В проиллюстрированных ответах GPT‑5.6 Sol создала 15-атомное кольцо, а GPT‑5.6 Luna разделила молекулу на два несвязанных фрагмента.

Эти ошибки изменяют идентичность анализируемой молекулы. Этот пример проверяет основы рассуждений в медицинской химии: способна ли модель точно представить соединение перед интерпретацией его поведения.

Рисунок 1. Тот же ввод, разные молекулы

Эти выбранные ответы для соединения 17 демонстрируют правильную реконструкцию, меньшее кольцо и несвязанные фрагменты.

При оценке структурных компонентов бенчмарка Astra набрала 95.4% от доступных баллов в режиме xhigh. Этот результат демонстрирует высокую эффективность в реконструкции молекулярных структур, предоставленных в задачах.

Мы оценили одиннадцать моделей GPT при различных настройках глубины рассуждений. По результатам всего бенчмарка Astra набрала 83.3% от доступных баллов при общем режиме xhigh по сравнению с 82.0% у GPT‑6.1 Sol, 75.1% у GPT‑6.1 Terra и 58.2% у GPT‑5.6 Sol. При максимальном уровне усилий GPT‑6 Astra достигла показателя 83.8%. Более высокие настройки рассуждений улучшили результаты, при этом сохранились значительные различия между моделями. На графике ниже показана зависимость производительности от токенов вывода.

Рисунок 2. Производительность по сравнению с использованием токенов

Каждая точка представляет модель с определенной настройкой рассуждений, показывая 51 комбинацию для девяти моделей, начиная с GPT‑5.6. Баллы усреднены по 99 задачам; полосы показывают 95-процентные интервалы неопределенности. Токены включают в себя процесс рассуждения и окончательный ответ.

Результаты по компонентам разделяют четыре способности: реконструкцию молекул, объяснение результатов, выбор соединений и прогнозирование измерений. Это показывает, в чем модели наиболее сильны, а где все еще остаются ошибки.

Рисунок 3. Производительность компонентов по сравнению с использованием токенов

Самыми сильными сторонами Astra оказались реконструкция молекулярных структур и объяснение научных данных. В выбранных примерах рассуждений из нашего препринта Astra правильно определила структурные изменения и взвесила их возможное влияние на связывание с белками, абсорбцию и метаболизм.

Там, где выбор и прогнозирование остаются сложными задачами, Astra заработала 95,4% доступного кредита за структуру на уровне xhigh, но лишь около половины кредита за выбор соединений и предсказание числовых свойств. В этих категориях используются разные задачи и правила оценки, однако результаты показывают значительный потенциал для улучшения прогнозов и подбора соединений.

Куда мы движемся дальше

Эти результаты не доказывают, способны ли модели открывать новые лекарства или улучшать лабораторные решения. Нельзя исключать предварительное знакомство с опубликованными источниками, и каждый ответ представлял собой одну попытку без использования инструментов, обратной связи или новых экспериментов. Хотя бенчмарк оценивает рассуждения на основе исторических данных, а не реального процесса разработки лекарств, его результаты помогают определить, где модели демонстрируют прогресс, а где сохраняются трудности. Мы верим, что MedChemBench послужит основой для дальнейшего продвижения и с нетерпением ждем возможности поделиться новостями по мере того, как наши модели будут совершенствоваться, чтобы приносить пользу этой сфере.

← Все статьи

О чём эта статья

Ещё в разделе «AI и машинное обучение»

Все →
Представляем Inkling 2 Mini
Thinking Machines Lab

Представляем Inkling 2 Mini

Борьба с состязательной дистилляцией
OpenAI

Борьба с состязательной дистилляцией

ElevenAgents для здравоохранения: создание агента исходящих напоминаний о приеме с помощью Architect
ElevenLabs

ElevenAgents для здравоохранения: создание агента исходящих напоминаний о приеме с помощью Architect

Как масштабировать маркетинговую экспертизу с помощью ИИ-агентов
Jasper

Как масштабировать маркетинговую экспертизу с помощью ИИ-агентов

Как мы обеспечиваем безопасность 100+ кластеров в 20+ облаках
Baseten

Как мы обеспечиваем безопасность 100+ кластеров в 20+ облаках

Улучшенные средства контроля для новой эры кибератак
Baseten

Улучшенные средства контроля для новой эры кибератак

Ещё от OpenAI

Борьба с состязательной дистилляцией
OpenAI

Борьба с состязательной дистилляцией

Как Performance Factory от OpenAI поддерживает высокую скорость работы ChatGPT
OpenAI

Как Performance Factory от OpenAI поддерживает высокую скорость работы ChatGPT

Ускорение исследований: неровный фронтир
OpenAI

Ускорение исследований: неровный фронтир

Генеральный директор OpenAI Сэм Альтман говорит, что «трудно представить индустрию ИИ без Дженсена»Пресса
OpenAI

Генеральный директор OpenAI Сэм Альтман говорит, что «трудно представить индустрию ИИ без Дженсена»

Совершенствование проектирования чипов с помощью моделей OpenAI
OpenAI

Совершенствование проектирования чипов с помощью моделей OpenAI

Le Groupe Figaro и OpenAI объявляют о партнерстве, чтобы сделать журналистику Le Figaro доступной в ChatGPT
OpenAI

Le Groupe Figaro и OpenAI объявляют о партнерстве, чтобы сделать журналистику Le Figaro доступной в ChatGPT