ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В АНАЛИЗЕ СТРУКТУРЫ БИОЛОГИЧЕСКИ АКТИВНЫХ СОЕДИНЕНИЙ
Keywords:
искусственный интеллект, анализ структуры, биологически активные соединения, графовые нейронные сети, ЯМР-спектроскопия, прогнозирование активности, природные продукты.Abstract
Анализ структуры биологически активных соединений является фундаментальной задачей медицинской химии и фармакологии, определяющей успех разработки новых лекарственных препаратов. В последние годы методы искусственного интеллекта (ИИ) произвели революцию в этой области, позволив перейти от ручного интерпретирования спектральных данных и эмпирического анализа структуры к автоматизированному, высокоточному прогнозированию на основе больших массивов химической информации. Данная статья представляет обзор современных ИИ-подходов к анализу структуры биологически активных соединений, охватывающий три ключевых направления: предсказание биологической активности на основе структуры, расшифровку структур природных соединений по данным спектроскопии и прогнозирование функций метаболитов. Анализируются архитектуры глубокого обучения — от графовых нейронных сетей до трансформерных моделей — и их способность выявлять структурные детерминанты активности, включая функциональные группы и конформационные особенности. Особое внимание уделяется интерпретируемости моделей и их интеграции с экспериментальными методами. Рассматриваются перспективы развития мультимодальных подходов и создания универсальных моделей для анализа широкого спектра биологически активных соединений.
References
1.Lee BT, Lee B, Kwon JY, Weber T, Kim HU. AI and mechanistic modeling for characterizing biosynthetic pathways of natural products. Natural Product Reports. 2026;43:787-802.
2.SCAGE: Self-conformation-aware graph transformer for molecular property prediction. Nature Communications. 2025;16:4382.
3.SMART deep learning tools to accelerate the characterization of natural product structures from their NMR data. Methods in Enzymology. 2025.
4.Varghese R, Shringi H, Efferth T, Ramamoorthy S. Artificial intelligence driven approaches in phytochemical research: trends and prospects. Phytochemistry Reviews. 2025;24(5):3649-3664.
5.Precision Enhanced Bioactivity Prediction of Tyrosine Kinase Inhibitors by Integrating Deep Learning and Molecular Fingerprints. Pharmaceuticals. 2025;18(7):975.
6.Structure-based metabolite function prediction using graph neural networks. Bioinformatics Advances. 2025;5(1):vbaf174.
7.From activity to structure: Training AI to design a drug - an ecdysteroids-based case study. ACS Fall Meeting 2025.
8.DeepEGFR: a graph neural network for bioactivity classification of EGFR inhibitors. Scientific Reports. 2025;15:38236.
9.DFT_ANPD: A dual-feature two-sided attention network for anticancer natural products detection. Computers in Biology and Medicine. 2025.