Kunstig intelligens fremskynder fotodynamiske simuleringer

Forudsigelsen af ​​molekylære reaktioner udløst af lys er til dato ekstremt tidskrævende og derfor dyr. Et team ledet af Philipp Marquetand fra det kemiske fakultet ved universitetet i Wien har nu præsenteret en metode ved hjælp af kunstige neurale netværk, der drastisk accelererer simuleringen af ​​lysinducerede processer. Metoden giver nye muligheder for en bedre forståelse af biologiske processer, såsom de første trin i kræftfremkaldelse eller ældningsprocesser af stof. Undersøgelsen optrådte i det aktuelle nummer af tidsskriftet Kemisk videnskab , inklusive en ledsagende illustration på et af dens omslag.

Maskinlæring spiller en stadig vigtigere rolle i kemisk forskning, f.eks. i opdagelsen og udviklingen af ​​nye molekyler og materialer. I dette studie, forskere fra Wien og Berlin viser, hvordan kunstig intelligens muliggør effektive fotodynamiske simuleringer. For at forstå fotoinducerede processer, såsom fotosyntese, menneskelig visuel opfattelse eller hudkræft, "vi er nødt til at forstå molekylernes bevægelse under påvirkning af UV -lys. Ud over klassiske mekaniske beregninger, vi har også brug for kvantemekanik, der er beregningsmæssigt ekstremt krævende og derfor omkostningskrævende, "siger Philipp Marquetand, forfatter af undersøgelsen og videnskabsmand ved Institute of Theoretical Chemistry.

Med tidligere metoder, forskere var kun i stand til at forudsige de hurtigste fotoinducerede processer i picosekundområdet (1 picosekund =0,000 000 000 001 sekunder)-med beregningstider på flere måneder. Den nye metode bruger kunstig intelligens til at simulere over længere perioder, i området på et nanosekund (1, 000 picosekunder), med betydeligt mindre beregningstid.

At lære neurale netværk

I deres tilgang, forskerne bruger kunstige neurale netværk, dvs. matematiske modeller, der efterligner funktionen af ​​vores hjerne. "Vi lærer vores neuronale netværk de komplekse kvantemekaniske forhold ved at udføre et par beregninger på forhånd og videregive viden til det neurale netværk, "siger første studie forfatter og uni:docs fellow, Julia Westermayr fra Institute of Theoretical Chemistry. Baseret på dens viden, de selvlærende neurale netværk vil derefter være i stand til at forudsige, hvad der vil ske hurtigere.

Som en del af undersøgelsen, forskerne udførte fotodynamiske simuleringer af et testmolekyle kaldet methylenimmoniumkation - en byggesten i molekylet retinal, der muliggør vores visuelle processer. "Efter to måneders computing, vi var i stand til at gengive reaktionen i et nanosekund; baseret på tidligere metoder, simuleringen ville have taget omkring 19 år, "siger ph.d. -studerende Julia Westermayr.

Et bevis på koncept

I nanosekundområdet, de fleste fotokemiske processer finder sted:"Med vores strategi, vi går ind i en ny dimension af forudsigelse. I princippet, den fremgangsmåde, vi præsenterer, kan anvendes på en lang række mindre molekyler, herunder DNA -byggesten og aminosyrer, ”siger Philipp Marquetand.

I det næste trin, forskerne vil bruge deres metode til at beskrive aminosyren tyrosin. Tyrosin forekommer i de fleste proteiner, og det mistænkes for at fremme blindhed og hudaldring efter at være blevet beskadiget under påvirkning af lys. Ifølge forfatterne af undersøgelsen, den præsenterede strategi generelt kunne fremme bedre forudsigelser af lysstyrede processer i alle henseender, herunder ældning af materiale og lysfølsomme lægemidler.