ИСТИНА

Цель работы – разработка протоколов и методик, основанных на совместном применении многомасштабных методов молекулярного моделирования и искусственного интеллекта для решения прикладных задач химии. (1) Разработка нейронной сети, способной различать реакционные и нереакционные состояния в фермент-субстратных комплексах в гидролазах, осуществляющих разрыв C–N, P–O, C–O связей на основании карт лапласиана электронной плотности, рассчитанных в реакционной области. Определение профилей субстратной специфичности для основной протеазы вируса SARS-CoV-2, бактериальных гидролаз, проводящих инактивацию антибиотиков, ферментов человека, проводящих гидролиз нейромедиаторов нервной системы. (2) Разработка нейронных сетей для определения формы и положения полос поглощения и флуоресценции флуоресцентных белков, способности к обратимому фотопереключению и необратимой фотоконверсии. В качестве входных данных будут использованы наборы геометрических характеристик, полученных в молекулярно-динамических траекториях. (3) Разработка алгоритма конформационного анализа органических молекул для построения поверхности их потенциальной энергии. Метод будет иметь возможность анализировать как изолированные органические молекулы, так и молекулы в заданном заранее окружении, например в кристаллической упаковке гибридных материалов.

The goal of the work is to develop protocols and techniques based on the joint use of multi-scale molecular modeling methods and artificial intelligence to solve applied chemistry problems. (1) Development of a neural network capable of distinguishing between reactive and non-reactive states in enzyme-substrate complexes in hydrolases that break C–N, P–O, C–O bonds based on electron density Laplacian maps calculated in the reaction region. Determination of substrate specificity profiles for the main protease of the SARS-CoV-2 virus, bacterial hydrolases that inactivate antibiotics, and human enzymes that hydrolyze nervous system neurotransmitters. (2) Development of neural networks to determine the shape and position of absorption and fluorescence bands of fluorescent proteins, the ability of reversible photoswitching and irreversible photoconversion. Sets of geometric characteristics obtained in molecular dynamics trajectories will be used as input data. (3) Development of an algorithm for conformational analysis of organic molecules to construct their potential energy surface. The method will be able to analyze both isolated organic molecules and molecules in a predetermined environment, for example, in the crystalline packing of hybrid materials.

(1) Будет разработана нейронная сеть, позволяющая проводить бинарную классификацию фермент-субстратных комплексов по наличию в них активации субстрата ферментом. В качестве входных данных нейронная сеть будет использовать двумерные карты лапласиана электронной плотности, построенные в плоскости атомов карбонильной группы субстрата и нуклеофильной частицы. Для получения такого результата необходимо: (а) провести правильный отбор объектов исследования – ферментов в соответствии с их биофизическими свойствами и биохимическими функциями и субстратов; (б) выбрать адекватный протокол многомасштабного молекулярного моделирования; (в) оптимизировать изображения двумерных карт для наиболее достоверной работы нейронной сети; (г) выбрать адекватный тип нейронной сети для надежного распознавания образов. (2) Будет разработана нейронная сеть, позволяющая определять параметры хромофоров флуоресцентных белков, относящиеся к их электронной структуре, а именно, вариацию дипольного момента при возбуждении, определяемую через разность электронных плотностей основного и возбужденного электронного состояний, с использованием только геометрических характеристик, получаемых в основном электронном состоянии. Для этого необходимо: (а) подобрать протоколы расчета геометрических параметров в молекулярно-динамических траекториях с комбинированными потенциалами КМ/ММ; (б) подобрать метод расчета вариации дипольного момента при возбуждении для создания выборок для тренировки и валидации нейросети; (в) сравнение и выбор наиболее адекватного задаче метода среди методов машинного обучения и искусственного интеллекта. (3) Будет предложен алгоритм конформационного анализа органических молекул, способных работать как с данными в газовой/жидкой фазе, так и предлагать конформации, пригодные для кристаллической упаковки. Алгоритм будет основан на (а) существующем методе глобальной оптимизации на основе роевого искусственного интеллекта, (б) полуэмпирическом квантово-химическом методе оценки внутренней энергии и (в) искусственной нейронной сети для осуществления перехода от газовой фазы к кристаллической упаковке. На основе разработанного метода будет проведено моделирование структуры и свойств гибридных материалов, содержащих в своей упаковке органические молекулы. Достижимость результатов определяется подбором коллектива специалистов, имеющих опыт решения задач в области молекулярного моделирования и искусственного интеллекта.