Переобучение искусственного интеллекта с эффективным использованием данных сокращает ошибки
Аннотация Макроциклические пептиды являются одними из наиболее многообещающих терапевтических методов, однако межатомный потенциал общего назначения, основанный на машинном обучении (MLIP), систематически не оценивался для их конформационного анализа. Мы показываем, что в макроциклическом тесте MPCONF196 ансамбль AIMNet2 из четырех моделей превосходит MACE-OFF23(S), несмотря на то, что макроциклы полностью отсутствуют в его обучающих данных. Одна модель AIMNet2 работает в 3–5 раз быстрее и требует в 5–63 раза меньше памяти графического процессора, чем модели MACE-OFF23 с их точностью float64 по умолчанию. Ансамбль из четырех моделей работает примерно так же быстро, как MACE-OFF23, но сохраняет преимущество в памяти в 3–32 раза даже по сравнению с MACE-OFF23 в float32. Более крупные модели MACE-OFF23(M) и MACE-OFF23(L) остаются более точными. Чтобы сократить этот разрыв, мы вводим протокол непрерывного обучения, который требует новых квантово-химических меток для менее чем 25 000 доменно-специфичных конформеров (<0.13% обучающего корпуса), сохраняя при этом точность конформационной энергии на немакроциклических молекулах. При удержании непересекающихся последовательностей невидимых макроциклических пептидов CREMP полученная модель, AIMNet2-macro, снижает конформационную энергию RMSE на 25 до 27% и DFT усиливает RMSE по 20% (25% на атомах основной цепи) и улучшает восстановление конформера с наименьшей энергией по сравнению с исходным AIMNet2. Он сохраняет конформационно-энергетическую точность исходной модели немакроциклических молекул CONFORGE, подобных лекарственным средствам, а также повышает точность структурно различных макроциклов MPCONF196, хотя это небольшое улучшение не является статистически значимым. Среди десяти сравниваемых стратегий обучения только непрерывное обучение на комбинированном корпусе (AIMNet2-макро) позволяет добиться такого улучшения без ухудшения точности малых молекул. Таким образом, макрос AIMNet2 является наиболее сбалансированной, хотя и не самой точной из протестированных моделей. В качестве независимого тематического исследования макрос AIMNet2 воспроизводит конформационные энергии DFT шести конформеров циклоспорина А со среднеквадратическим значением 0,78 ккал моль–1 и правильным упорядочением рангов, самой низкой ошибкой среди MLIP и полуэмпирических методов, оцененных в этой системе. Стратегия непрерывного обучения была принята в версии AIMNet2 (2025 г.), которая объединяет обработку низкомолекулярных, макроциклических и
## В чем суть открытия Макроциклические пептиды являются многообещающими лекарствами, которые сочетают в себе стабильность малых молекул с широким связыванием с мишенью, но моделировать их форму сложно. Легкая модель искусственного интеллекта теперь точно прогнозирует их энергию, используя менее 0.13% дополнительных обучающих данных. ## Как это устроено: принцип работы Исследователи адаптировали нейронный потенциал AIMNet2 к макроциклическим пептидам, используя протокол непрерывного обучения на комбинированном корпусе. Добавление квантово-химических меток для менее чем 25 000 доменно-специфичных конформеров (<0.13% набора данных) позволило модели изучить макроциклическую гибкость без ухудшения точности малых молекул. ## Что это меняет на практике Обеспечивает быстрое конформационное моделирование и молекулярную динамику макроциклических лекарств-кандидатов с малым объемом памяти, ускоряя процесс разработки пептидных лекарств на стандартных графических процессорах. ## Границы метода и риски Хотя точность значительно повышается при использовании макроциклов CREMP, прирост производительности в структурно различных тестах, таких как MPCONF196, меньше и не является статистически значимым. ## Результаты и доказательства - **Комплексный скор значимости:** 9.5 / 10.0 - **Уровень доказательности:** программный бенчмарк и верификация - **Бенчмарки и прирост:** Conformational energy RMSE reduced by 25-27%, DFT force RMSE reduced by 20% (25% backbone), Cyclosporine A RMSE 0.78 kcal/mol - **Размер выборки / валидация:** N = <25,000 conformers (<0.13% of corpus), CREMP holdout, MPCONF196, CONFORGE, 6 cyclosporine A conformers - **Реализация в открытом доступе:** Да (верифицируемый репозиторий кода)