在尋求有效新葯的過程中，通常科學家希望找到能附著於致病蛋白質並改變其功能的類藥分子。 其中至關重要的是，他們要知道一個分子的三維形狀，以瞭解它將如何附著在蛋白質的特定表面。 近日麻省理工學院（MIT）的研究人員開發了一種深度學習模型，可以在給定分子結構的二維圖形后迅速預測其可能的三維形狀。 這項技術可以加速藥物發現。

在實際探索過程中，一個分子可以以數千種不同的方式摺疊，因此通過實驗解決這一難題是一個耗時且昂貴的過程，就像在分子乾草堆中尋找一根針。 麻省理工學院的研究人員正在使用機器學習來簡化這項複雜的任務。 他們創建了一個深度學習模型，僅根據分子結構的二維圖形就能預測分子的三維形狀。 分子通常被表示為小圖形。

他們的系統 GeoMol 只需幾秒鐘就能處理分子，並且比其他機器學習模型，包括一些商業方法表現得更好。 計算機科學與人工智慧實驗室（CSAIL）的博士後、該論文的共同第一作者 Octavian-Eugen Ganea 說，GeoMol可以幫助製藥公司加快藥物發現過程，縮小他們需要在實驗室實驗中測試的分子數量。

化學工程系的研究生、該論文的共同第一作者 Lagnajit Pattanaik 說：”當你在考慮這些結構如何在三維空間移動時，實際上只有分子的某些部分是靈活的，這些可旋轉的鍵。 我們工作的關鍵創新之一是，我們考慮像化學工程師那樣對構象靈活性進行建模。 這實際上是在試圖預測結構中可旋轉鍵的潛在分佈」。

GeoMol 利用了深度學習中的一個最新工具，即消息傳遞神經網路，它是專門為在圖上操作而設計的。 研究人員調整了消息傳遞神經網路，以預測分子幾何的特定元素。 給定一個分子圖，GeoMol最初預測原子之間的化學鍵的長度和這些單個鍵的角度。 原子的排列和連接方式決定了哪些鍵可以旋轉。

然後，GeoMol 單獨預測每個原子的局部鄰域的結構，並通過計算扭轉角來組裝相鄰的可旋轉鍵對，然後將它們對齊。 扭轉角決定了三個連接段的運動，在這種情況下，三個連接四個原子的化學鍵。