ИИ-помощник химика: в Иннополисе разрабатывают систему для расшифровки молекул
В университете Иннополис создают цифрового помощника для химиков. Он анализирует масс-спектры – особые «отпечатки» молекул, по которым ученые определяют состав вещества. Система сама предлагает, из чего состоит образец, и показывает возможные варианты его структуры. Сейчас разработку тестируют вместе с ведущими химическими институтами Российской академии наук.
Расшифровка состава неизвестного вещества – это задача, с которой сталкиваются исследователи в химии, фармацевтике и нефтехимической промышленности. Чтобы понять, из каких атомов состоит молекула и как эти атомы соединены между собой, специалистам нужно проанализировать экспериментальные данные, сопоставить возможные варианты и проверять гипотезы. На это могут уходить часы, а в сложных случаях даже несколько дней.
Ускорить работу призван ИИ-ассистент, который разрабатывают сотрудники Лаборатории искусственного интеллекта в химии университета Иннополис. Он анализирует масс-спектры, предлагает возможные структуры соединений и помогает исследователю выбрать наиболее вероятные варианты. Промежуточные результаты команда представила на выставке ИИ-решений форума «Цифровые дни Иннополиса», который прошел 8–9 октября 2026 года.
Как ИИ расшифровывает молекулы
Масс-спектрометрия позволяет получить данные о составе вещества. При тандемной масс-спектрометрии молекулы сначала разделяются по массе и заряду, а затем подвергаются дополнительному воздействию. Образующиеся фрагменты дают характерную картину. Это именно тот масс-спектр, по которому можно судить о строении исходного соединения.
Но у одной и той же молекулярной формулы могут быть разные структуры, поэтому интерпретация спектра требует не только вычислений, но и химических знаний. Исследователю необходимо определить состав вещества, выделить признаки его строения и установить, какая структура лучше всего объясняет полученные экспериментальные данные.
Система Иннополиса выполняет эту работу в несколько этапов. Сначала она определяет вероятную молекулярную формулу. На текущем этапе разработки правильный результат получается примерно в 80% случаев. Затем нейросеть восстанавливает структурные признаки соединения. Это своеобразный молекулярный «отпечаток», который помогает описать особенности его строения. Если этот этап пройден успешно, соответствие полученных признаков эталонным данным превышает 90%. В отдельных тестах на спектрах научных партнеров точность такого сопоставления достигала 93% и выше. Это результаты конкретных испытаний.
Единая система
На рынке уже существуют решения для определения молекулярных формул, анализа структурных признаков и поиска возможных соединений. Уникальность разработки Университета Иннополис в том, что она объединила все этапы в одной платформе.
Как пояснил разработчик лаборатории Иван Голов, команда создала цифрового помощника для всего пути анализа. Работает это так. Исследователь загружает экспериментальный спектр, а система последовательно формирует результаты, предлагает химические гипотезы и представляет их в удобном для работы виде.
Задача ИИ в этом случае состоит не в том, чтобы вытеснить специалиста-человека, а в том, чтобы сократить число вариантов, которые химику приходится рассматривать традиционными исследовательскими методами.
Польза для науки и промышленности
Разработка пригодится лабораториям, которые изучают состав сложных смесей, анализируют продукты химических реакций и ищут соединения с нужными свойствами. В фармацевтических исследованиях подобные инструменты помогают на этапе предварительной идентификации веществ и отбора перспективных кандидатов для дальнейшего изучения. В химической и нефтехимической промышленности они могут ускорить анализ образцов и обработку больших массивов экспериментальных данных.
Одна из перспективных задач – высокопроизводительный скрининг, когда исследователям необходимо быстро обработать множество образцов и выделить те, которые заслуживают более подробного изучения. Автоматизация первичного анализа качественно сократит время на рутинные операции и освободит специалистов для другой работы.
Масштаб и перспективы
По оценкам команды, потенциальная аудитория решения включает более 7,6 тысячи предприятий химической и нефтехимической отраслей, а также около 130 тысяч учёных и исследователей. Разработчики оценивают возможный масштаб автоматизации в 240 миллионов экспериментов в год, а экономический эффект от сокращения времени обработки данных – до 1,5 миллиарда рублей.
Первый этап проекта команда планирует завершить в 2026 году. В 2027 году исследователи намерены интегрировать разработку с доменом «Наука и инновации» государственной информационной системы учёта научно-исследовательских и опытно-конструкторских работ.
