日前，科學家們試圖運用人工智能來代替化學家們的傳統(tǒng)建模方法，以達到更快地破解分子結構的目的。

一種藥物被制造出來，科學家必須要了解該藥物的活性成分進入人體會如何表現(xiàn)。這就要求科學家要詳細了解藥物們確切的原子結構，通常采用的方法是磁共振和密度泛函理論相結合的技術。核磁共振技術通常用于探測原子之間的磁場，并確定相鄰原子之間是如何相互作用的。然而，通過核磁共振測定完整的晶體結構，需要極其復雜且非常耗時的量子化學計算，這對于結構非常復雜的分子而言難度非常大，同時需要配合密度泛函理論（DFT）技術來進行計算工作。DFT技術使用復雜的量子化學計算來映射特定區(qū)域內的電子密度，這個過程中需要進行非常大量的計算。

瑞士洛桑聯(lián)邦理工學院（EPFL）的科學家們建立了一個名為ShiftML的機器學習程序，并利用來自CambridgeStructuralDatabase的數(shù)據(jù)對ShiftML進行了訓練，其中2000個化合物結構用于對ShiftML的訓練和驗證，另外500個用于對其進行測試。這個數(shù)據(jù)庫中包含數(shù)千種化合物計算得出的DFT化學位移，其中每一個化合物都由不到200個原子組成。研究人員表示，即使對于相對簡單的分子，ShiftML的計算速度也比現(xiàn)有的方法快了將近1萬倍。

尤其是面對復雜的化合物，AI測定藥物分子結構的優(yōu)勢會更加明顯。研究小組希望未來的ShiftML可以用來輔助藥物設計工作。“這項研究是非常令人興奮的，因為大幅度加速計算時間可以讓我們能夠覆蓋更大的構象空間，并準確界定那些以前無法確定的結構，”研究論文的共同作者之一、EPFL的化學教授LyndonEmsley博士表示：“ShiftML可以讓現(xiàn)代的大多數(shù)復雜藥物分子觸手可及。”

如今，ShiftML已經(jīng)可以開源使用，任何人都可以在平臺上上傳分子，并獲得其核磁共振特征。