1990-е: вы рисуете химические формулы с трафаретом и ищете статьи в бумажных томах. 2026-й: вы открываете чат с ИИ, и он за секунду выдаёт три пути синтеза, сортирует их по цене и токсичности, а через час робот в лаборатории уже ставит эксперимент. Что случилось с химией за четверть века? И главное — что происходит с ролью химика? Автор, прошедший путь от бумажных картотек до диффузионных ИИ моделей, проводит вас по уголкам современной химической работы: ретросинтез, автономные лаборатории, предсказание спектров, электронные журналы и даже дизайн новых белков. Без заумных формул, но с юмором и десятками практических примеров. Вы узнаете, как не дать нейросети вас обмануть, почему DFT уступает место машинному обучению и как задавать вопросы, на которые ещё нет ответов. Эта книга — приглашение к диалогу. Вашим новым собеседником станет искусственный интеллект, а вы — дирижёром, детективом и философом материи.
Максимилиан Копылович
Химик в мире нейросетей
Table of Contents
Введение: от «гармони» к «оркестру»
Попробуй сам
Глава 1. Компьютер-секретарь: мир статьи 2000 года
Попробуй сам
Глава 2. Нейросеть — наша новая знакомая
Попробуй сам
Глава 3. Почему DFT перестала быть главной надеждой
Попробуй сам
Глава 4. Библиотека в кармане: как ИИ ищет и читает за тебя
Попробуй сам
Глава 5. Экран вместо учителя?
Попробуй сам
Глава 6. Как молекула становится вектором
Попробуй сам
Глава 7. Некоторые модели: от GNoME до MatterGen
Попробуй сам
Глава 8. На стыке химии и биологии
Попробуй сам
Глава 9. Волшебство, которому решили научить машину
Попробуй сам
Глава 10. Роботы-химики
Попробуй сам
Глава 11. Когда ИИ берёт в руки инструменты
Попробуй сам
Глава 12. Призрак в спектре
Попробуй сам
Глава 13. Лабораторный дневник 2.0
Попробуй сам
Глава 14. «Нет» как признак мастерства
Попробуй сам
Глава 15. Ты — детектив, а не лаборант
Попробуй сам
Глава 16. Твой химический стартап на коленке (практикум)
Твой цифровой набор юного химика
Проект № 1: Научи машину различать спирты и альдегиды
Проект № 2: Ретросинтез-дуэль
Проект № 3: Предскажи растворимость
Заключение. Взгляд из вытяжного шкафа в 2075 год
Попробуй сам
Приложения
Приложение А. Словарик химика-кибернетика
Приложение Б. Краткий гид по инструментам
Введение: от «гармони» к «оркестру»
Три часа ночи, вытяжной шкаф гудит так, будто ему тоже не нравится результат. В колбе, где должны были сверкать прозрачные кристаллы, плещется что-то бурое и подозрительно похожее на плохой кофе. Ты всё делал по методике из статьи: температура — точь-в-точь, реактивы — свежие, растворитель — сухой (ну, ты так думал). И при этом — непонятно что, точнее, понятно — полный провал.
В такие моменты нормальный химик идёт спать и делает вид, что ничего не было, или пытается побыстрее забыть случившееся. Но ты вместо этого открываешь ноутбук и печатаешь в чат-боте примерно следующее: «Смешал то-то и то-то, получилась ерунда. Что я сделал не так?» И нейросеть, обученная на тысячах чужих провалов, через секунду выдаёт: «Похоже, ты добавил катализатор слишком быстро, и он разложился от локального перегрева. Попробуй капать шприцевым насосом и держи баню при плюс пяти. И да, кстати, растворитель лучше досуши молекулярными ситами». Меня отчитала программа. За растворитель. В три часа ночи.
Ты пробуешь снова — и наутро в колбе сверкают ровные прозрачные кристаллы. Обидно, что нейросеть оказалась права, но факт остаётся фактом: именно так сегодня выглядят «отношения» химика с искусственным интеллектом, этим довольно едким коллегой, который никогда не спит. Но давай отмотаем на четверть века назад — там всё было куда зануднее.
В 2000 году я написал статью, где пытался проанализировать роль компьютера в химической лаборатории того времени. И как вывод — компьютер химику всё же нужен! Сегодня это звучит как «вода мокрая», но тогда во многих лабораториях водился скептик, который смотрел на аспиранта с новым компьютером как на человека, купившего в лабораторию аквариум с рыбками. «Зачем нам компьютер? Мы химики, а не программисты!» Тогда я сравнил компьютер с гармошкой в деревенском ансамбле: без неё прожить можно, но с ней веселее. Умел тогда компьютер немного: рисовал красивые формулы, искал рефераты статей на CD-ROM, снимал показания с приборов, проводил предварительную обработку экспериментальных данных и считал кое-что по квантовой химии. Молчаливый писарь, архивариус, программируемый калькулятор. Никак не соавтор.
Прошло 25 лет. Сегодня, когда я пишу эту книгу, вопрос звучит иначе: не «зачем компьютеру быть в лаборатории?», а «на каком языке мы с ним разговариваем и кто кого при этом учит?». Та самая «гармонь» превратилась в целый оркестр из нейросетей, роботов и облачных сервисов. И мы с тобой попробуем разобраться, как дирижировать этим оркестром так, чтобы он не фальшивил, а ты не потерял себя как химик в мире нейросетей.
Чтобы почувствовать разницу, давай пройдём по реальному маршруту любой химической работы — от идеи до статьи. В каждой точке мы увидим не просто ускорение, а смену мышления.
Планирование синтеза: от «эврики» к промпту. Тогда ты садился с бумагой, рисовал молекулу и начинал мучительно вспоминать именные реакции, которые проходил на третьем курсе. Потом лез в толстенные тома Chemical Abstracts или вставлял диск в компьютер и ждал несколько минут, пока отобразятся рефераты. Компьютер был лишь шкафом с цифровыми карточками. Сейчас ты открываешь чат с ИИ-агентом и пишешь примерно так: «Мне нужен синтез этого пиримидинового производного. Выход не ниже 60%, колоночную хроматографию не предлагать, отсортируй по цене и токсичности». За кулисами начинается магия. Системы вроде ASKCOS или IBM RXN for Chemistry прочёсывают тысячи реакций. Они не просто ищут готовый рецепт, а разбирают твою молекулу на части и собирают обратно разными путями, используя алгоритмы с именами один звучнее другого: Monte Carlo Tree Search, Decision Transformer, сети Хопфилда. Появились даже гибриды вроде DeepRetro, где большая языковая модель советуется с традиционными движками и в итоге говорит тебе человеческим языком: «Смотри, я нашёл три пути. Первый дешёвый, но кипятить долго. Второй быстрый, но реагент редкий. Третий — через старую добрую реакцию Гриньяра, но там нужен абсолютно сухой эфир». Ты больше не тратишь недели на поиск. Ты тратишь часы на проверку. Главный навык теперь — не хранить в памяти тысячи реакций, а уметь задать правильный вопрос и вовремя сказать: «Не верю! Покажи литературный источник». Машина стала соавтором гипотезы.
Синтез: от магии к автономным лабораториям. Полвека назад химик ставил реакцию, выкручивал нагрев «на глаз», следил за цветом и каждую минуту бегал к УФ-лампе с хроматографической пластинкой. Вся магия держалась на опыте и интуиции, которые передавались от старших товарищей почти как заклинания. Сейчас автоматические реакторы подключаются к ML-моделям, которые в реальном времени командуют температурой и скоростью перемешивания. Более того, перед реальным опытом можно прогнать симуляцию процесса — «цифровой двойник» реакции. Но самое крутое — автономные лаборатории вроде AlphaFlow. Это роботизированная установка, которая ставит реакцию, смотрит, что получилось, и сама решает, что менять в следующей попытке. AlphaFlow без всякой подсказки нашла и оптимизировала некоторые многостадийные синтезы так, что они оказались лучше общепринятых прописей. Искусственный интеллект находит скрытые закономерности там, где ты бы их даже не искал. Десять раз робот получал выход 40%, а на одиннадцатый чуть изменил скорость мешалки — и получилось 65%. Оказывается, ты просто не обращал внимания на этот параметр. Теперь твоя задача — не крутить ручки, а пытаться осмыслить, почему машинный комплекс нашёл лучшее решение.
Очистка: конец гадания на элюенте. Раньше ты готовил хроматографическую колонку и начиналось священнодействие: ты смешивал гексан с этилацетатом в разных пропорциях, капал на пластинку, светил ультрафиолетом и молился, чтобы пятна разделились. Метод назывался «доверься интуиции, Богу помолясь». Сейчас ты вводишь структуру смеси в программу, и она, покопавшись в тысячах опубликованных значений Rf, выдаёт: «Бери 15% этилацетата, колонку на 20 см, и твой продукт выйдет через 12 минут».
Расшифровка спектров: от линейки к детективу. Когда-то ты получал листок с ЯМР-спектром, вооружался линейкой и карандашом, считал интегралы, спорил с коллегами о том, какой пик от какого протона. На расшифровку сложной молекулы уходили дни, а то и недели. Сейчас спектрометр отправляет данные нейросети, и она тут же сообщает: «Это 2,3-диметилбензойная кислота с вероятностью 96%». Модели вроде IMPRESSION-G2 предсказывают химические сдвиги во много раз быстрее, чем самые мощные квантовые расчёты, а ChefNMR, глядя только на протонный спектр и брутто-формулу, восстанавливает структуру неизвестного природного соединения с точностью выше 65% для симулированных спектров на бенчмарках. Раньше ты строил структуру по кирпичикам. Теперь ты работаешь как детектив: проверяешь версию, которую выдвинула машина. Твоё время уходит не на подсчёт пиков, а на размышления: «Почему нейросеть так уверена, если интеграл протона NH должен быть меньше? Может, там таутомерия?»
Лабораторный журнал: от помятой тетради к соавтору статьи. До последнего времени мы записывали всё от руки в толстую тетрадь, часто залитую реагентами. При работе над статьёй нередко приходилось расшифровывать собственные каракули. Сейчас электронные лабораторные журналы (ELN) с элементами искусственного интеллекта распознают фото твоих ТСХ-пластинок, сами подтягивают данные с весов и спектрометров и предлагают заполнить поля протокола. А главное — они накапливают данные так, что черновик статьи может генерироваться прямо по ходу работы. Если реакция пошла не по плану, система тут же подсунет альтернативный маршрут из чужих успешных опытов. Раньше ты сначала делал, потом писал. Теперь исследование и документирование идут параллельно, и ты в любой момент можешь спросить у своего «дневника»: «А что, если завтра попробовать другой катализатор?»
За всеми этими чудесами прячется одна простая вещь. В 2000 году компьютер думал на языке структурных формул — атомы, соединяющие их палочки-связи, заряды. Это был дискретный, символьный язык, доставшийся нам от Кекуле и Бутлерова. В 2026 году компьютер думает на языке многомерных векторов и полей электронной плотности. Для него молекула — не картинка, а точка в гигантском пространстве свойств. Реакция — не уравнение на бумаге, а траектория на энергетической поверхности. Именно поэтому трансформеры и диффузионные модели легко решают задачи, на которых спотыкались старые добрые DFT-расчёты. Главный вызов сегодня — построить мост между этими двумя языками, чтобы ты мог сказать: «Мне нужна молекула, которая будет светиться синим», — и получить не просто формулу, а связный рассказ, почему она будет светиться.
Эта книга — не скучный учебник по программированию и не философский трактат о конце профессии химика. Это приглашение порассуждать на равных с твоим новым когнитивным партнёром. Мы вместе пройдём по всем этапам исследовательского конвейера и увидим, что изменилось не только «железо», но и стиль мышления. Я надеюсь, что через 25 лет кто-то прочтёт эту книгу и улыбнётся так же, как я сегодня улыбаюсь своей старой статье про применение компьютеров в химии. И, возможно, напишет продолжение — про то, как химики общаются уже не с нейросетями, а с квантовыми компьютерами или с чем-то, что мы даже не можем сейчас представить. Но одно останется неизменным: слова «искусство эксперимента» и «интуиция» не исчезнут. Они просто приобретут новый смысл.
Попробуй сам
Чтобы ты не потерялся в названиях, вот краткий обзор тех инструментов, которые мелькали во введении. Это не список для заучивания, а скорее список действующих лиц нашего оркестра. ASKCOS (бесплатный проект MIT) умеет планировать синтез, перебирая дерево вариантов, предсказывать условия реакций и даже оценивать растворимость — почти как швейцарский нож для ретросинтеза. IBM RXN for Chemistry работает на трансформерах и предсказывает исход многих реакций с точностью выше 90%, а ещё строит маршруты синтеза прямо в облаке. DeepRetro — это открытый проект, в котором языковая модель общается с традиционными ретросинтетическими движками и уточняет результаты вместе с химиком. AlphaFlow — автономная проточная лаборатория, которая методом проб и ошибок сама оптимизирует синтез. IMPRESSION-G2 — трансформер, который за секунды предсказывает химические сдвиги ЯМР, обгоняя DFT-расчёты во много раз. ChefNMR — диффузионная модель, способная восстановить структуру природного соединения по протонному спектру и брутто-формуле, даже для сложных молекул. И MHNpath, использующий сети Хопфилда, планирует синтез с учётом цены, температуры и токсичности — чтобы ты не разорился и не отравился.
А теперь хватит читать — давай что-нибудь сделаем. Открой браузер и зайди на rxn.res.ibm.com (это IBM RXN) или askcos.mit.edu (это ASKCOS). Нарисуй аспирин — 2-ацетоксибензойную кислоту. Нажми «предсказать синтез» и смотри, что выдаст машина. Ты увидишь дерево вариантов: дешёвые, дорогие, безопасные и те, после которых надпись «лучше не дыши». Сравни с тем, что ты знаешь из учебника. Если нейросеть предложит синтез из углекислого газа и солнечного света — не верь, это она шутит. Но если найдёт путь короче и элегантнее, чем ты ожидал, — привыкай. Теперь ты не солист, а дирижёр. И оркестр уже настроился. Поехали дальше.
Глава 1. Компьютер-секретарь: мир статьи 2000 года
«Компьютер в химической лаборатории — это уже не роскошь, а необходимость», — бодро начинал я свою статью. Тогда мне казалось, что я описываю вершину технического прогресса. Сегодня, перечитывая тот текст, я испытываю примерно то же, что испытывает владелец смартфона, глядя на печатную машинку: трогательную смесь ностальгии и изумления от того, как далеко мы ушли. Давай отправимся в эту экспедицию в прошлое и посмотрим, что же умел компьютер на рубеже тысячелетий — это поможет понять, почему сегодня мы даём ему право «думать».
Итак, ты уже знаешь: компьютер в химической лаборатории был чем-то вроде гармошки на свадьбе — без него можно было обойтись, но с ним душевнее. Та самая «гармонь» сегодня превратилась в оркестр с искусственным интеллектом. Но чтобы понять, как мы оказались дирижёрами, давай сначала переоденемся в халаты прошлого и честно ответим: почему раньше химикам-экспериментаторам было непросто? Почему каждое рутинное действие требовало столько нервов, времени и бумаги? Давай пройдём по таким частям жизни химика, как рисование формул, номенклатура веществ и поиск информации. В каждую из них компьютер сначала проник как скромный помощник, но очень скоро стал незаменимым.
Вот он я — студент-химик в 1990 году, сижу вооружившись линейкой и трафаретом. Провёл линию чуть криво — и вся формула насмарку. Рисование химических структур было настоящим искусством художника, только вместо Моны Лизы химик изображал полициклический кошмар, да ещё так, чтобы связи не слипались, а углы были ровно 120 градусов. Почему это было искусством? Потому что не существовало единого стандарта. В одной лаборатории рисовали бензольные кольца с чередующимися двойными связями, в другой — с кружочком внутри. И попробуй догадайся, что за вещество изображено в
И вдруг в эту вселенную ручного труда ворвались ChemDraw, ACD/ChemSketch, ChemWindow — программы, которые позволяли рисовать молекулы на компьютере. Мало того, они умели распознавать формулу. Нарисовал ты аспирин — и программа сама выдавала его молекулярную массу, брутто-формулу, даже предсказывала, как примерно будет выглядеть ЯМР- или масс-спектр. Компьютер перестал быть просто печатной машинкой; он стал языком, на котором молекула общается с миром. Рисунок превратился в данные. И химики вздохнули свободнее — по крайней мере, пока дело не доходило до названий.
Как известно, у каждого уважающего себя вещества есть как минимум два имени. Одно — народное: аспирин, парацетамол, тротил. Второе — систематическое, которое звучит как заклинание из учебника по чёрной магии: 2-ацетоксибензойная кислота, N-(4-гидроксифенил)ацетамид, 2-метил-1,3,5-тринитробензол. Когда ты работаешь в лаборатории, ты говоришь: «А где эфир?». Но когда ты ищешь его в Chemical Abstracts, ты обязан ввести точное систематическое название. Малейшая ошибка в индексах или дефисах — и ты ничего не находишь. Или находишь, но совсем не то. Химики тратили часы, чтобы по номенклатуре ИЮПАК правильно «развернуть» сложную молекулу в строку символов. Компьютерные базы данных добавляли масла в огонь: требовали строгого порядка групп, указания стереохимии, регистрозависимости. Чуть напутал — и всё, ты призрак, тебя нет в научном мире, как ни старайся, тебя никто не услышит.
Первые химические редакторы частично сняли эту боль. В ChemDraw ты рисовал структуру, а программа генерировала систематическое название (пусть и не всегда идеальное — но всё равно, и на том спасибо). Появилась возможность искать вещество не по названию, а по части структуры. Это был прорыв: ты просто рисовал часть молекулы, и машина искала её в базе. Но чтобы этот прорыв оценить, надо было сначала найти саму базу. И вот тут мы подходим к самому страшному — бумажным архивам.
Сегодня ты вводишь в поисковике «синтез аспирина» и за секунды получаешь сотни результатов. А ведь так недавно нужно было идти в библиотеку, этот огромный зал, заставленный стеллажами до потолка. А на них Chemical Abstracts — главный реферативный журнал химиков с 1907 года, где можно было отыскать краткие описания научных статей: кто сделал, что смешал, что получилось. Чтобы найти, как синтезировать новое вещество, надо было сначала по указателю формул найти его номер, потом по номеру — реферат, а затем идти в библиотеку и заказывать оригинал статьи, который могли прислать по почте через три недели. Химики старой закалки знали номера томов наизусть, как номера автобусных маршрутов: «Реакция Дильса – Альдера с алюминиевыми катализаторами? Это том 117, страницы 450–500». Сегодня это звучит как легенда. Но именно этот опыт научил нас главному: информация — это не просто слова, это структура. И как только компьютер научился её хранить и сортировать, химия перестала быть ремеслом, основанным на личной памяти «жрецов науки».
Помнится, я радовался как ребёнок, когда на смену бумажным томам пришли CD-ROM с базой Current Contents и рефератами. Один CD вмещал 650 мегабайт — сегодня это несколько не очень удачных фотографий с телефона, а тогда — целый шкаф рефератов. По тем временам это была фантастика, а ведь на самом деле скорость поиска по сравнению с современным интернетом всё равно была черепашьей. Потом в обиход начали входить DVD-диски, один такой диск мог вместить уже несколько гигабайт — целую энциклопедию. Казалось, что мы покорили информационное пространство. Если бы нам тогда сказали, что через пару десятилетий мы будем носить в кармане доступ ко всем этим базам, да ещё и с возможностью мгновенно перевести статью с немецкого, мы бы просто не поверили.
Существовали и специализированные базы данных. Protein Data Bank (PDB) — хранилище трёхмерных структур белков, Cambridge Structural Database (CSD) — структур органических и металлорганических соединений. Спектральные базы ЯМР, масс-спектров, ИК-спектров — всё это начинало переезжать с бумажных носителей в цифровые хранилища. Химик получал возможность сравнить свой свежеснятый спектр с библиотекой и воскликнуть: «О, это точно 2-метилбутанол-2!» — не листая атласы вручную и не ругаясь на плохое качество печати.
Ещё была платформа ChemWeb — нечто вроде интернет-портала для химиков. Там публиковались электронные версии журналов, там можно было обсудить статью, там даже выходил онлайн-журнал Alchemist. Сегодня это кажется архаикой, но на заре нулевых ChemWeb был предтечей ResearchGate и научных Slack-каналов. Мы только начинали понимать, что компьютер — это не просто калькулятор и пишущая машинка, а ещё и почтовый голубь.
Электронная почта уже была, но далеко не у всех. Зато существовали списки рассылки — прообразы тематических форумов. Ты подписывался на рассылку по органическому синтезу, и тебе на ящик периодически падало письмо с вопросами коллег со всего мира: «Кто-нибудь пробовал восстанавливать этот кетон боргидридом натрия?», «Где купить дешёвый палладиевый катализатор?». Ты читал, ухмылялся и чувствовал себя частью огромного невидимого братства. Это был медленный, асинхронный, но очень живой диалог. Прямой предок сегодняшних лабораторных чатов, где обсуждение идёт непрерывно, а мемы про хроматографию рождаются быстрее, чем ты успеваешь сказать «элюент».
А ещё компьютер начал командовать приборами. Хроматографы, спектрометры, многие другие приборы — вся эта братия обзавелась интерфейсами, позволявшими скидывать данные прямиком на жёсткий диск. Если раньше ты сидел с ручкой и переписывал цифры с индикаторов на приборах, то теперь ты получал файл, например, с временами удерживания и площадями пиков.
И, наконец, позволь представить тебе главного героя тогдашней вычислительной химии — DFT, теорию функционала плотности. Идея была благородная: не решать сложное уравнение Шрёдингера для каждого электрона в отдельности, а работать сразу с электронной плотностью. На бумаге — прорыв. На практике — бесконечная возня с выбором базисного набора и функционала, потому что каждый базис давал свои результаты, и ни один не был идеален.
Рисование формул, расшифровка названий, поиск литературы — эти ежедневные пытки химика XX века к 2000 году компьютер уже взял на себя, хоть и очень робко. Он рисовал лучше большинства химиков, искал быстрее их ног и рук, перебиравших пыльные тома, и лучше переводил с языка ИЮПАК на человеческий. Однако он всё ещё был инструментом, не предлагал гипотез, не говорил: «Эй, а попробуй-ка этот растворитель». Он был просто секретарём при господине-химике.
Попробуй сам
Теперь давай немного поиграем в машину времени. Первое задание — найди в интернете фотографию старой бумажной карточки Chemical Abstracts или реферативного журнала «Химия» (РЖХим). Например, набери в поиске «Chemical Abstracts printed index». Посмотри на эти мелкие строчки, пугающие сокращения, полное отсутствие картинок. А теперь представь, что тебе нужно найти в этом море бумаги одну-единственную реакцию — скажем, модификацию синтеза 2-аминопиридина, опубликованную в 1985 году. Ты идёшь в библиотеку, выписываешь номер тома и страницы, ждёшь, пока принесут подшивку, открываешь — а статья на немецком. Ты берёшь словарь и переводишь методику. Сколько времени у тебя ушло бы? День? Два? А теперь открой чат-бот с доступом в интернет и напиши: «Найди мне методику синтеза 2-аминопиридина по Чичибабину и переведи на русский». Через десять секунд у тебя будет не только реферат, но и полный текст с комментариями и, возможно, парой советов, как улучшить выход. Сравни ощущения.
Теперь давай нарисуем молекулу так, как это делает химик сегодня. Открой любой бесплатный редактор в браузере, например, Ketcher или MarvinSketch. Нарисуй аспирин — чтобы вспомнить одного из героев этой книжки, и кофеин — чтобы уважить всех, кто не может проснуться без чашки кофе. Теперь сохрани каждую структуру как SMILES-строку. Открой этот файл в блокноте и посмотри на строчку символов: что-то вроде CC(=O)OC1=CC=CC=C1C(=O)O для аспирина. Вот это — тот самый язык, на котором с молекулой будут общаться многие нейросети, роботы и базы данных из следующих глав.
Пока у нас нет собственного робота-синтетика, давай проведём эксперимент в виртуальной лаборатории. Зайди на сайт PhET Interactive Simulations и выбери любую химическую симуляцию — например, кислотно-основное титрование. Капай основание в кислоту и смотри, как ползёт pH, как меняется молекулярная картина на экране. Попробуй другие симуляции — растворимость солей, поведение газов. Что ты видишь на экране такого, чего никогда не покажет живой опыт? Симуляция не пахнет аммиаком и не взрывается, но она позволяет увидеть невидимое — например, анимацию того, как ионы перескакивают в раствор. Именно так, через числа и векторы, «видят» молекулы нейросети, о которых мы будем говорить совсем скоро.
Глава 2. Нейросеть — наша новая знакомая
До сих пор мы говорили о компьютере, который просто выполнял приказы. Он рисовал формулы, потому что мы ему сказали: «Вот бензольное кольцо, отобрази». Он искал статьи, потому что мы задали ключевые слова. Но во всех этих случаях компьютер оставался исполнительным, но глухим секретарём: делал то, что велели, и ни шагу в сторону. А теперь давай познакомимся с той, которая не получает жестких инструкций, а учится на примерах, в том числе и как «химически думать».
В обычном программировании ты пишешь инструкцию: «1. Поставить сковороду на плиту. 2. Налить масло. 3. Разбить яйцо. 4. Ждать 3 минуты». Машина выполнит всё буквально. Если ты забудешь пункт «отделить скорлупу», она разобьёт яйцо вместе со скорлупой. Если масло окажется сливочным, а ты написал «растительное», машина встанет в тупик. Такая программа — это жёсткий свод правил: «если А, то Б». Раньше экспертные системы работали именно так. Но оказалось, чтобы охватить все тонкости химии, правил требуется слишком много. А что если ты не даёшь машине инструкций, а вместо этого показываешь ей сто фотографий яичницы: правильной, подгоревшей, жидкой, с помидорами, без помидоров? И говоришь: «Вот это — хорошая яичница. А вот это — плохая». Программа смотрит, сравнивает и сама находит закономерности. Что общего у всех хороших яичниц? Белок схватился, желток целый, масло было горячим. Через сто примеров она уже неплохо отличает удачную яичницу от неудачной. А через тысячу — может даже сама её приготовить, пусть и не идеально. Именно так работает нейросеть.
Другой пример: нейросеть учат отличать кошек от собак. Ей показывают 10 000 фотографий: вот пушистый кот, вот лохматый пёс. Никто не говорит сети: «У кошек треугольные уши, а у собак овальные морды». Она сама выискивает признаки, которые чаще встречаются у одних и реже у других. Постепенно внутри неё формируется сложная структура связей, которая на новом снимке выдаёт: «85% вероятности — кошка». В химии то же самое, только вместо кошек и собак — молекулы и реакции. Нейросети «скармливают» базу данных из тысяч химических превращений. Каждую реакцию записывают как пару «реагенты → продукты». И сеть начинает искать закономерности. У каких молекул аминогруппа легко превращается в нитрогруппу? В каких условиях бензольное кольцо сульфируется, а в каких — хлорируется? Машина не знает правил Марковникова или ориентантов Зайцева, но после просмотра ста тысяч примеров она статистически усваивает, что гидробромирование алкенов идёт против правила Марковникова в присутствии пероксидов, потому что именно такие случаи попадались ей в обучающей выборке с меткой «успех». Она не «понимает» радикальный механизм — она «оценивает», что сочетание реагента А с условием Б даёт продукт В с высокой вероятностью. Это и есть ключевое отличие: программа-инструкция следует правилам, нейросеть ищет взаимосвязи. Первая ломается, столкнувшись с исключением. Вторая — просто говорит: «В этом странном случае я не уверена, но, кажется, получится вот это».
Допустим, ты хочешь найти лучшие условия для синтеза, но понятия не имеешь о теории. У тебя есть 20 растворителей, 10 температур и 5 катализаторов. Ты можешь ставить опыты вслепую, перебирая комбинации. Сколько вариантов? 20 × 10 × 5 = 1000. Если каждый эксперимент занимает час, ты провозишься полгода. Это и есть классический «метод тыка». А теперь представь нейросеть, которая «ставит» такие эксперименты «мысленно». Она не смешивает реальные реактивы, а обсчитывает математическую модель, обученную на предыдущих реальных опытах. За одну секунду она может оценить миллионы комбинаций и сказать: «С вероятностью 93% наилучший выход даст ацетонитрил при 80°C с палладиевым катализатором». Это не магия — это ускоренный в миллион раз перебор вариантов с умным фильтром. Сеть не пробует всё подряд, она ищет скрытые корреляции и отсекает потенциально провальные зоны. Фактически, нейросеть делает то же самое, что делал бы хороший химик-синтетик. Она помнит опубликованные реакции, ошибки, удачи. И когда ты даёшь ей новую задачу, она не изобретает правила, а спрашивает свой «опыт»: «На что это похоже? Что срабатывало раньше в похожих случаях?». Именно так работают современные предсказатели реакций вроде IBM RXN.
По сути, нейросеть — это множество слоёв узлов-«нейронов», связанных «весами». Каждый вес — это число, которое показывает, насколько важен тот или иной признак. В начале обучения веса случайны, и сеть гадает наобум. Ей показывают, например, формулу молекулы и её экспериментальную растворимость. Сеть предсказывает что-то, сравнивает с правильным ответом и чуть-чуть «подкручивает веса», чтобы в следующий раз ошибиться меньше. После миллионов таких корректировок «веса» настраиваются так, что сеть начинает предсказывать правильно даже для тех молекул, которых она никогда не видела. Это и есть «обучение». Химия даёт нейросетям много пищи для обучения: у нас, химиков, накоплены гигантские базы данных. Миллионы веществ, тысячи реакций при разных условиях, миллионы спектров и других физико-химических характеристик. Всё, что было опубликовано за последние двести лет, постепенно оцифровывается. И нейросети «читают» эту библиотеку и формируют своё собственное, статистическое «понимание» химии.
Итак, нейросеть — это не страшный чёрный ящик, а просто ученик, который учится на примерах. Ты уже пользуешься этим каждый день, когда смотришь рекомендованные видео на YouTube или когда твой телефон распознаёт лицо. В химии этот подход тоже начинает широко применяться, ведь теперь не нужно выписывать правила — сеть сама в своих глубинах выведет их из данных. И она же не умолчит про исключения, ведь статистика не делит мир на чёрное и белое. Но если ты думаешь, что достаточно взять одну гигантскую нейросеть, скормить ей все реакции мира — и готов универсальный химик-предсказатель, то спешу тебя разочаровать. Одна большая сеть похожа на одного универсального сотрудника, который пытается делать всё сразу: синтезировать новые вещества, чинить ЯМР, мыть посуду и писать статьи. Получается медленно и посредственно. К счастью, природа (и инженеры) придумали выход — артель экспертов, или Mixture of Experts (MoE).
Допустим, тебе надо создать нейросеть, которая предсказывает исход химической реакции. Ты обучаешь её на миллионах примеров: реакции в воде, в органических растворителях, с катализаторами и без, при высоком давлении и при комнатной температуре. Сеть старается запомнить всё сразу и неизбежно усредняет: реакции с водой она предсказывает чуть хуже, чем хотелось бы, реакции с палладием — тоже с огрехами, а уж если речь заходит о редких стереоспецифических превращениях — пиши пропало. Это называется «проблема размазанной памяти»: пытаясь объять необъятное, сеть теряет точность в каждом конкретном случае. А что если внутри одной большой сети создать много маленьких, каждая из которых будет специализироваться на своём типе задач, а маршрутизацией заказов займётся отдельный «диспетчер»? Когда поступает заказ, роутер-диспетчер смотрит, откуда и куда ехать, и мгновенно решает, кому передать «пассажира». Так устроена Mixture of Experts (MoE).
Теперь замени пассажиров молекулами. Есть молекула, для которой нужно предсказать растворимость, или токсичность, или лучший способ синтеза. Роутер (это тоже небольшая нейросеть) смотрит на молекулярную «подпись»: есть ли в ней атомы металлов, много ли водородных связей, насколько она гибкая. И отправляет запрос одному или нескольким экспертам: «Эй, эксперт по водным растворам, это к тебе!», «А эту ароматическую систему пусть забирает себе эксперт по каталитическому кросс-сочетанию». Эксперты — небольшие суб-нейросети (слои), натренированные на своих узких задачах, — выдают предсказание, а роутер взвешивает их ответы и выдаёт итоговый вердикт с вероятностью. Это позволяет одновременно быть и достаточно точным в каждом конкретном случае, и покрывать всё разнообразие химического пространства.
Самое удивительное — специализация экспертов возникает сама, в процессе обучения. Ты не задаёшь вручную: «Ты будешь экспертом по сольватации, а ты — по стереохимии». Ты просто подаёшь на вход миллионы примеров, и сеть в ходе настройки весов сама обнаруживает, что выгоднее разделиться на специализированные суб-нейросети (блоки, «эксперты»). Один «эксперт» начинает чаще срабатывать для молекул с гидроксильными группами и даёт для них меньшую ошибку — и роутер, видя это, всё чаще направляет «спиртовые» запросы именно к нему. Другой «эксперт» случайно лучше предсказал несколько реакций с участием переходных металлов — и постепенно закрепляет за собой нишу металлоорганической химии.
Это очень похоже на то, как в настоящей артели ремесленников плотник сам берётся за работу с деревом, а кузнец — за работу с металлом, хотя никакой начальник им этого не навязывал. Просто разделение труда эффективнее, и оно проявляется в процессе совместной работы. В химических MoE-моделях исследователи после обучения нейросети с удивлением обнаруживают, что эксперт №3 специализируется на предсказании ЯМР-сдвигов атомов в ароматических кольцах, а эксперт №7 — на реакциях элиминирования. Никто их этому не учил специально, просто так сложились веса.
Архитектура Mixture of Experts — не просто академическая игрушка. Она лежит в основе многих передовых моделей. Например, современные большие языковые модели (такие как Mixtral) используют MoE, чтобы быстро отвечать на вопросы, задействуя лишь малую часть параметров для каждого запроса. В химии этот подход позволяет строить предсказательные системы, которые одновременно могут оценивать и физико-химические свойства, и биологическую активность, и пути синтеза, не ориентируясь на «среднюю температуру по больнице». Когда мы позже будем обсуждать ретросинтез в ASKCOS или мультимодальные модели IBM, знай: под капотом у них часто находится именно такая «артель экспертов» (MoE-модель).
В следующей главе мы вспомним наших старых знакомых — DFT и квантовые расчёты — и поймём, почему их «честная физика» всё чаще проигрывает обученным моделям. А пока — давай сами создадим простенькую нейросеть, чтобы ты почувствовал, как она нащупывает закономерности.
Попробуй сам
Открой браузер и найди сайт Teachable Machine от Google. Это такая песочница, где можно обучить нейросеть прямо в браузере, без регистрации и смс. Создай проект «Изображения» и придумай два класса: «Кошки» и «Собаки». Теперь загрузи по десятку фотографий тех и других — просто натаскай из интернета первые попавшиеся снимки. Нажми «Обучить модель». Через минуту у тебя будет готовая нейросеть, которая распознаёт кошек и собак по веб-камере. Поднеси к камере картинку с котом — она уверенно скажет: «Кошка, 99%». Поднеси плюшевого тигра — может выдать «Кошка, 70%», потому что он полосатый и усатый, и плевать, что он игрушечный. Ты не писал ни строчки правил про уши и хвосты. Сеть просто просмотрела твои примеры и сама вывела, кто есть кто. А теперь представь, что вместо кошек и собак ты загружаешь картинки со структурными формулами спиртов и альдегидов. Ровно так работают и химические нейросети — только примеров у них не двадцать, а миллионы, и вместо пикселей они переваривают хитрые молекулярные дескрипторы.
Если хочешь прямо сейчас почувствовать себя химиком-кибернетиком, открой любой редактор формул (например, Ketcher), нарисуй штук тридцать разных спиртов и тридцать альдегидов, сохрани их как картинки и скорми Teachable Machine в качестве двух новых классов. Обучи модель и проверь на тех молекулах, которые не показывал. Где она ошибётся? Может, перепутает бензальдегид с ароматическим спиртом? Или не узнает вторичный спирт, потому что ты показал ей только первичные? Это и есть главный урок: нейросеть хороша ровно настолько, насколько разнообразны её тренировочные данные. А в следующей главе мы посмотрим, почему даже очень «умная» физика иногда проигрывает такому вот обучению на примерах.
Глава 3. Почему DFT перестала быть главной надеждой
В прошлой главе мы выяснили: нейросеть — это не магия, а просто очень быстрый ученик, который смотрит на миллионы примеров и находит закономерности. Но у тебя, возможно, остался вопрос: а зачем вообще нужен этот ученик, если есть «честная» физика? Есть же квантовая механика, уравнение Шрёдингера, точные расчёты электронной структуры. Неужели недостаточно просто взять и посчитать молекулу из первых принципов? Ведь программы вроде GAMESS и GAUSSIAN позволяют рассчитать электронную структуру молекул, предсказывать геометрию, энергии связей и даже моделировать переходные состояния реакций. Звучит круто, правда? Но, как часто бывает, вся соль в деталях.
Чтобы предсказать погоду на завтра, ты можешь пойти «честным» путём: взять уравнения гидродинамики, учесть каждую молекулу воздуха, каждую каплю воды, каждый порыв ветра. Проблема в том, что для этого тебе понадобится суперкомпьютер размером с галактику и несколько миллионов лет на расчёт. А пока он считает, погода уже наступит. Примерно так работает DFT — теория функционала плотности, главный инструмент квантовой химии последних сорока лет. Но вместо того чтобы решать уравнение Шрёдингера для каждого электрона, метод работает с электронной плотностью — более грубой, но доступной величиной. Зная, как «размазаны» электроны, можно вычислить энергию молекулы, её геометрию и даже предсказать, как пойдёт реакция. Нобелевская премия по химии 1998 года была вручена в том числе за развитие DFT. Но вот нюанс: DFT работает тем точнее, чем меньше молекула. Для атома гелия — хорошо, для бензола — терпимо, для белка из тысячи атомов — всё, приехали. Точный расчёт требует времени, которое быстро растёт с размером системы. Это как пытаться описать ураган, отслеживая траекторию каждой снежинки: физика верна, но масштаб делает её бесполезной. Ты можешь рассчитать геометрию аспирина, но попроси DFT
Но даже для маленьких молекул DFT преподносит сюрпризы. Дело в том, что химическая точность — это не когда «похоже», а когда «попадание в яблочко». Энергия активации реакции — горка, на которую должен взобраться реагент, чтобы превратиться в продукт, — определяет скорость реакции через уравнение Аррениуса. В этом уравнении энергия активации — в показателе экспоненты. Это значит: ошибка всего в 5 ккал/моль даёт ошибку в скорости реакции на порядки! Допустим, DFT предсказала энергию активации 20 ккал/моль. Ты радостно рассчитываешь выход за час — 90%. Но реальная энергия активации — 25 ккал/моль, то есть на 5 ккал/моль выше. При комнатной температуре это различие (всего-то 20% от числа) означает, что скорость реакции упадёт не на 20%, а примерно в 4500 раз. Ты ждёшь час, а ждать придётся полгода. Или наоборот: DFT обещает, что реакция еле ползёт, а происходит взрыв, потому что энергия оказалась на 5 ккал/моль ниже. Вот почему ошибка в 5 ккал/моль — это вовсе не мелочь. Химия не прощает таких приближений.
И вот тут на сцену выходят ML-потенциалы — гибридные модели, которые решают проблему без ручной подгонки. Вместо того чтобы каждый раз заново решать уравнение Шрёдингера, они учатся на готовых данных: либо на результатах очень точных (и очень дорогих) квантовых расчётов для маленьких систем, либо сразу на экспериментальных величинах. Нейросеть запоминает: «Если окружение у атома углерода такое-то, его энергия будет примерно такой-то». И когда ей показывают новую, большую молекулу, она не считает всё с нуля, а собирает ответ из выученных кусочков.
Итак, главный вывод: честная физика — это прекрасно, но непрактично. DFT научила нас многому, дала язык для обсуждения электронных эффектов, помогла объяснить тысячи реакций. Но она не стала тем универсальным предсказателем, о котором мечтали в 1990-е. Потому что химия слишком сложна, слишком многомерна, слишком нелинейна, чтобы её можно было «просто посчитать». Сегодня мы перестаём спрашивать: «Какова точная волновая функция этой молекулы?» Мы спрашиваем: «На какие из миллиона известных реакций похожа эта, и какой у них был исход?» Это не значит, что мы отказались от физики. Мы просто перестали делать вид, что можем вывести всю химию из уравнения Шрёдингера, и начали использовать пресловутую «химическую интуицию», только теперь носитель интуиции — не человек, а нейросеть, обученная на огромном массиве химического знания. А пока попробуй прикоснуться к DFT и понять, почему мы так долго на неё надеялись и почему всё же пошли дальше.
Попробуй сам
Открой любой бесплатный онлайн-калькулятор квантовой химии (например, WebMO Demo) и попробуй посчитать энергию молекулы воды. Просто воды, H₂O. Сначала с одним базисом (скажем, STO-3G), потом с другим (6-31G). Сравни результаты — они будут разными. А теперь подумай: ты ведь не менял саму молекулу, так почему ответ плывёт? Поздравляю, ты только что прикоснулся к той самой проблеме, из-за которой DFT-расчёты называли «подгоночными». А теперь нарисуй аспирин и запусти оптимизацию геометрии с самым простым DFT-методом, например B3LYP/3-21G. Засеки время. А теперь сделай мысленное упражнение: представь, что тебе нужно посчитать поведение не одной молекулы, а ста тысяч похожих — например, ты ищешь новое лекарство и перебираешь все возможные варианты. Умножь свои минуты на сто тысяч. Получились месяцы. Именно поэтому DFT-расчёт, как бы ни был он прекрасен в теории, не тянет на роль массового экспресс-предсказателя.
Теперь зайди в любой чат-бот и спроси: «Почему DFT ошибается в энергии активации на 5 ккал/моль?» Сравни ответ с тем, что ты только что прочитал. Если бот начнёт сыпать формулами, скажи: «Объясни проще, будто я школьник, который только что провёл свой первый DFT-расчёт». Заодно потренируешь критическое мышление: вдруг бот слукавит? Ты же теперь знаешь, что 5 ккал/моль — это ошибка не в проценты, а в сотни раз по скорости. Если бот этого не упомянул — ты только что нашёл его слабое место.
Ну и для тех, кто уже подружился с Python: скачай датасет растворимости ESOL (он в открытом доступе), переведи молекулы в молекулярные фингерпринты с помощью библиотеки RDKit и обучи простенький Random Forest предсказывать растворимость в воде. Это займёт полчаса, но ты в миниатюре повторишь именно то, о чём мы говорили: модель учится на готовых экспериментальных данных и предсказывает свойство за секунды, не решая уравнение Шрёдингера. DFT считала бы каждую молекулу час, а твоя модель — меньше секунды. Почувствуй разницу. Именно так машинное обучение заменяет «честную физику» там, где скорость важнее безупречной точности.
Глава 4. Библиотека в кармане: как ИИ ищет и читает за тебя
Помнишь главу 1? Компакт-диски, карточки Chemical Abstracts и героический поиск статьи вручную, с перебиранием подшивок и немецким словарём. Тогда главным врагом химика было время, потраченное на поиск. Сегодня враг сменился: это избыток. Статей так много, что прочитать всё физически невозможно. Но появился и новый союзник: ИИ, который не просто находит нужную статью, а читает её за тебя, пересказывает и ссылается на источник. Давай посмотрим, как карманная библиотека с искусственным интеллектом превращает поиск информации из пытки в удовольствие.
До последнего времени ты вбивал ключевые слова, и поисковик выдавал список ссылок, отсортированный по загадочному алгоритму. Но он не понимал смысла. Запрос «синтез аспирина без уксусного ангидрида» мог привести тебя на страницу о том, как аспирин влияет на желудок, просто потому что там тоже встретились слова «аспирин» и «уксусный». Это был поиск по совпадению строк, а не по смыслу. Сегодняшние инструменты — Elicit, Consensus, scite — работают иначе. Это системы семантического поиска, которые понимают контекст. Ты спрашиваешь: «Какие методы использовали для восстановления нитрогруппы в присутствии сложноэфирной?» — и они не просто ищут слова, а находят статьи, где реально изучали эту конкретную химическую проблему. Более того, они могут суммаризовать результаты: «Вот 10 статей: в трёх использовали палладий на угле, в двух — железо в уксусной кислоте, и в одной — родий. Наибольший выход (92%) был с железом». Ты получаешь не гору ссылок, а готовую аналитическую
Большие языковые модели (ChatGPT, Gemini и им подобные) знают очень много, но их знания заморожены на момент обучения. Если спросить о свежей статье 2026 года, они могут её не знать или, что хуже, придумать — мы называем это «галлюцинацией». Но как сделать так, чтобы чат-бот отвечал точно и со ссылками? Ответ — технология RAG (Retrieval-Augmented Generation, генерация с дополнением поиском): ты задаёшь вопрос, а чат-бот не отвечает сразу «из головы». Он сначала быстро ищет в подключённой базе данных (например, в PubMed или в твоём собственном архиве статей) подходящие фрагменты, читает их и только потом формулирует ответ, вставляя в текст ссылки на источники. Он выступает в роли прилежного студента, который перед ответом на экзамене заглянул в учебник и процитировал абзац. Именно так работают научные поисковики нового поколения. Ты видишь не просто ответ, а цепочку: «Согласно Smith et al. (2023), реакция идёт с выходом 85%... (ссылка)». Ты можешь тут же перейти в статью и проверить. Это фундаментальное отличие от старого доброго ChemWeb с его рефератами: раньше ты сам шёл от реферата к полному тексту, теперь машина пробегает этот путь за тебя и даёт готовый дайджест. Но помни: уверенность тона не гарантирует истины. ИИ может звучать как профессор и при этом придумать несуществующую реакцию, сослаться на статью, которой нет в природе, или перепутать температуры плавления двух изомеров. Мы ещё позже поговорим о критическом мышлении, пока же запомни простое правило: если ИИ даёт тебе информацию, которая кажется слишком хорошей, чтобы быть правдой, или принципиально важна для решения твоей задачи, — проверь её. Зайди в первоисточник. Сравни с другими инструментами. Именно так ты становишься не просто пользователем, а настоящим учёным.
Мы уже упоминали ранее такие базы данных, как Protein Data Bank и Cambridge Structural Database. Сегодня к ним добавились гигантские открытые массивы химических реакций, на которых обучаются модели ретросинтеза. Например, USPTO-датасет содержит миллионы реакций, извлечённых из патентов США. Open Reaction Database собирает данные, размеченные самими химиками. Эти базы — та самая «еда», на которой выросли IBM RXN, ASKCOS и другие нейросетевые предсказатели. Важно понимать: нейросети не умны сами по себе. Они умны ровно настолько, насколько качественны данные, на которых их учили. Если в выборке много ошибок (а в патентах их хватает), модель будет ошибаться. Поэтому открытые, выверенные датасеты — это чрезвычайно важно. И сегодня ты можешь не только пользоваться предсказаниями, но и внести вклад, проверив пару реакций и добавив их в открытую базу. Наука стала коллективной в прямом смысле.
Попробуй сам
Давай устроим очную ставку старому и новому поиску. Зайди на Elicit.org (это бесплатно после регистрации) и введи какой-нибудь химический вопрос, который тебе действительно интересен, — например, «Какие катализаторы используют для реакции Сузуки в водной среде?» Посмотри, как система подбирает статьи и строит таблицу с ключевыми выводами. А теперь задай тот же вопрос в обычном Google Scholar и сравни ощущения: в первом случае ты получаешь готовую аналитическую справку за минуту, во втором — гору ссылок, которые нужно разгребать вручную. Самое интересное начнётся, когда ты откроешь пару статей, на которые сослался Elicit, и проверишь, действительно ли в них написано то, что утверждает ИИ. В девяти случаях из десяти — да, но иногда он может приписать статье лишнего, и это как раз тот момент, когда ты включаешь детектива.
Теперь проверим на честность обычного чат-бота. Попроси ChatGPT или аналог дать методику синтеза какого-нибудь редкого вещества — скажем, 2,4,6-тринитротолуола — но с жёстким условием: «Укажи точные ссылки на статьи». Если бот выдаст список DOI или названий журналов, скопируй их и попробуй найти. Скорее всего, часть ссылок окажется вымышленной — и это будет лучшая прививка от излишнего доверия к гладким ответам. Ну и наконец, если у тебя есть доступ к RAG-системе вроде NotebookLM от Google (туда можно загрузить свои PDF), попробуй скормить ей пару статей по химии и задать по ним вопросы. Ты увидишь, как работает поиск по твоим собственным документам: машина не фантазирует, а честно вытаскивает фрагменты и ссылается на них. Именно так, возможно, будет выглядеть твой лабораторный журнал через пять лет — живой архив, который отвечает на вопросы. В следующей главе мы перейдём от поиска статей к самому волнующему вопросу: может ли ИИ не просто искать, а учить? Заменит ли нейросеть учителя химии? Или всё-таки живой наставник останется незаменимым?
Глава 5. Экран вместо учителя?
Мы уже посмотрели, как компьютер проникал в лабораторию — сначала робким писарем, потом назойливым советчиком. Но пока химики-экспериментаторы спорили, пускать ли машину к вытяжному шкафу, в соседней аудитории происходила своя тихая революция. Туда, где мелом по доске выводили уравнение Аррениуса, начал захаживать странный гость с кремниевым мозгом. Давай посмотрим, как компьютер входил в химическое обучение — и почему учитель, вопреки всем прогнозам, до сих пор не уволен.
Если ты думаешь, что Excel — это скучная программа для бухгалтеров, ты глубоко ошибаешься. Для химика начала 1990-х Excel был первой ласточкой цифрового мышления. Представь: ты титруешь слабую кислоту сильным основанием, записываешь в тетрадку миллилитры и показания pH-метра, а потом садишься и вручную строишь график на миллиметровке. Это час однообразной возни, а результат всё равно выглядит так себе. А в Excel ты вбиваешь те же цифры, выбираешь «точечную диаграмму» — и, вуаля, кривая титрования перед тобой. Красивая, гладкая, с автоматически посчитанной точкой эквивалентности. Никакой магии — просто программа избавила тебя от механической работы. Программа не понимала химии, но делала то, что раньше требовало утомительной рутины: обсчитывала данные, строила калибровочные прямые, вычисляла стандартные отклонения. Студенты, которые раньше тонули в арифметике, вдруг начинали видеть смысл в цифрах. Машина брала на себя расчёт значений, а ты мог задуматься: «Почему кривая такая пологая?» и «Почему в точке эквивалентности pH скачет?» Excel молча учил нас связывать математику с химическим смыслом.
Но Excel умел только считать. Он не объяснял, откуда берётся формула и почему интеграл берётся именно так. И тут на сцену вышел Mathcad — программа, которая выглядела как обычный лист бумаги, только формулы на нём были живыми. Ты писал уравнение Аррениуса не в строку, а так, как привык видеть в учебнике: с дробями, степенями, экспонентами — и Mathcad его решал. Не за кадром, а прямо перед твоими глазами, по шагам. Ты видел ход решения, мог менять начальные условия, смотреть, как ведёт себя система. Это был первый интерактивный решатель задач, где компьютер не давал готовый ответ, а помогал его найти. Химическая кинетика, термодинамика, квантовые расчёты — всё, что требовало сложной математики, становилось проще и понятнее. Машина как будто говорила: «Давай я посчитаю, а ты пока подумай, почему график линеен в этих координатах». Это была первая модель партнёрства: компьютер не заменял мозги, а становился их продолжением.
А что насчёт чисто химических знаний? В 1990-е на свет начали появляться первые обучающие программы, например, интерактивная периодическая таблица: тыкаешь мышкой в элемент — и она показывает атомную массу, радиус, энергии ионизации, даже видео, как этот элемент реагирует с водой. Игры-викторины по номенклатуре, тренажёры по составлению формул, виртуальные лаборатории — эти и другие подобные программы были прямыми предками современных чат-бот-репетиторов. Не очень умные, но терпеливые, они задавали вопросы, проверяли ответы, давали подсказки. Ты мог десять раз подряд ввести неправильную формулу соли, и программа не закатывала глаза, не вздыхала — она просто говорила: «Попробуй ещё раз, обрати внимание на степень окисления железа». Однако машина проверяла ответы, но не понимала ход мысли. Она могла сказать «правильно» или «неправильно», но не могла спросить: «Слушай, а почему ты вообще решил, что железо здесь трёхвалентное?» Никакая программа не могла заменить взгляд учителя, который видит: студент не просто ошибся в формуле — он не понял саму концепцию валентности. Компьютер был старательным репетитором-молчуном: считал, показывал, проверял, но не говорил. Мы не ждали от него инициативы. И тем более не ждали, что однажды он сам начнёт генерировать задачи. Это был справочник с тестами, а не учитель.
Сегодняшние же ИИ-репетиторы — это собеседники. Ты можешь написать в чат: «Я не понимаю, почему связь C=O полярнее, чем C=C», — и получить не просто определение электроотрицательности, а цепочку объяснений с примерами из жизни (представь перетягивание каната, где кислород — чемпион мира, а углерод — просто сильный парень). Ты можешь попросить: «Объясни мне так, как будто мне 10 лет», — и сложная тема вдруг превратится в историю про жадные атомы, которые тянут электроны на себя. Или наоборот: «Прими у меня экзамен по ароматичности, задай каверзные вопросы и оцени ответы». И нейросеть станет строгим экзаменатором, который не только скажет
Как и прежде, главное преимущество ИИ-учителя — терпение. Ты можешь десять раз подряд неправильно назвать продукт реакции Вюрца, и программа в одиннадцатый раз спокойно скажет: «Попробуй ещё раз. Подсказка: натрий забирает галоген, а радикалы соединяются». ИИ-репетитор доступен ночью, в выходные, в поезде. Он всегда на связи. Он умеет генерировать задачи под твой уровень. Скажешь: «Я уже щёлкаю одностадийные превращения, дай что-нибудь посложнее», — и получишь многостадийный синтез. Скажешь: «Я запутался, начни с самых азов», — и он вернётся к основам. Это персонализация, о которой мечтали педагоги XX века.
И всё-таки личность преподавателя не заменяется нейросетями. Настоящий учитель видит, когда ты киваешь, но не понимаешь. Он замечает растерянность в твоём взгляде, скуку, вспышку интереса. Он может остановиться, рассказать историю из собственной практики, пошутить, подбодрить. Обучение — это не только передача информации, но и эмоциональный контакт. Программа может идеально объяснить теорию, но она не положит руку на плечо и не скажет: «У тебя получится, я верю в тебя». А иногда именно это нужно, чтобы не забросить химию после первой двойки. Кроме того, учитель — это навигатор в мире знаний. ИИ может сгенерировать кучу фактов, но только опытный наставник скажет: «Вот этому учебнику можно доверять, а этот сайт лучше не читать, там устаревшие данные». Он учит критическому мышлению и показывает, как думать, а не только запоминать.
Так к чему мы пришли? К самой продуктивной модели: учитель и ИИ — не враги, а партнёры. Ведь у спортсмена есть и тренер (живой человек, который ставит цель, мотивирует, следит за состоянием), и тренажёры (железо, которое развивает мышцы). В химическом образовании роль тренажёра всё чаще берёт на себя ИИ. Он даёт рутинную практику — тесты, задачи, отработку номенклатуры — и освобождает учителю время для главного: для живого диалога, эксперимента, разбора сложных примеров, воспитания научной интуиции. Учитель больше не стоит у доски с мелом и не диктует определения под запись. Он приходит в класс, уже зная, кто из учеников на каком этапе споткнулся (ИИ прислал ему сводку), и точечно помогает каждому. Урок превращается в мастерскую, где ИИ — верстак с инструментами, а учитель — мастер, который учит этими инструментами пользоваться. И каждый школьник при желании уже сегодня может создать такой тандем для себя сам, где есть живой учитель в школе, а в телефоне или ноутбуке — ИИ-репетитор.
Попробуй сам
А теперь давай устроим небольшое путешествие во времени и заодно проверим, насколько хорошо ты освоил роль «ученика компьютера». Начнём с того, что откроем SMath Studio (бесплатный аналог Mathcad, скачать проще простого) и попробуем оживить уравнение Аррениуса. Поставь себе простую задачу: во сколько раз ускорится реакция при нагреве от 20 до 50 градусов, если энергия активации — 80 кДж/моль. Сначала реши её по-старинке — с карандашом и калькулятором, чтобы почувствовать, как скрипели мозгами студенты девяностых. Потом набери те же формулы в SMath, меняй температуру, энергию активации и смотри, как график отзывается на каждое движение. Ты увидишь: программа не просто считает, она делает математику видимой.
Второй опыт — разговор с нейросетью. Зайди в ChatGPT и скажи: «Притворись учеником, который сдаёт экзамен по комплексным соединениям. Я буду задавать вопросы, а ты отвечай, но если не знаешь — честно признавайся». Спроси что-нибудь простое: «Почему [Cu(NH₃)₄]²⁺ имеет плоскую квадратную форму, а не тетраэдр?» Бот, скорее всего, бодро процитирует учебник. А теперь перейди к каверзному: «А если я добавил в раствор этого комплекса перекись водорода. Что произойдёт и почему?» Если нейросеть начнёт уверенно сочинять уравнения с пероксидными мостиками, которых не существует, — поздравляю, ты только что поймал её на галлюцинации. Учитель в такой ситуации либо признался бы, что надо подумать, либо предложил бы эксперимент. Именно здесь и проходит граница между электронным помощником и живым наставником.
Ну и напоследок — открой любой бесплатный чат-бот и создай себе персонального репетитора по химии. Начни с системной инструкции — скажи ему примерно так: «Ты репетитор по химии, отвечай строго в рамках школьной программы, не используй сложные термины, а если я ошибаюсь — не просто говори "неправильно", а объясняй, в чём именно ошибка и как исправить ход мысли». Теперь задай ему вопросы из своего учебника. Где он справляется отлично, а где скатывается в излишнюю сложность? Попробуй разные формулировки: «Объясни правило Марковникова, как будто мне десять лет», потом «Прими у меня экзамен по ароматичности и задай каверзный вопрос», потом «Вот моё решение задачи, найди ошибку и объясни её». Ты быстро почувствуешь, что ИИ-репетитор — это не оракул, а инструмент, который нужно настраивать под себя: хороший вопрос рождает хороший ответ, плохой — красивую, но бесполезную информацию.
А когда наиграешься, загляни на сайт PhET Interactive Simulations и запусти виртуальное титрование. Добавляй основание в кислоту и наблюдай, как меняется pH и молекулярная картина. Попробуй другие симуляции — растворимость солей, закон Бойля-Мариотта. Что ты увидел на экране такого, чего не видно в пробирке? Симуляция не заменит запах аммиака и случайный пожар, но она даёт суперспособность — увидеть молекулярный уровень. Так вот, ИИ-репетитор и виртуальная лаборатория — это два тренажёра, которыми ты можешь пользоваться уже сегодня, пока живой учитель ставит тебе цель и верит в тебя. В следующей главе мы перейдём от обучения к самому творческому процессу — генерации идей: как ИИ помогает химикам придумывать молекулы, которых никогда не существовало.
Глава 6. Как молекула становится вектором
Мы все привыкли, что молекулу можно нарисовать палочками и подписать атомы, но когда молекула попадает в нейросеть, с ней происходит нечто странное: она исчезает как картинка и превращается в длинный столбик чисел, в точку в многомерном пространстве, где расстояние между такими точками означает химическую похожесть одной молекулы на другую. Это представление в многомерном пространстве свойств и отношений также называется вектором. Давай разберёмся, зачем понадобилась эта магия и как она работает.
Вспомни ChemDraw — программу, которая умела превращать нарисованную структуру в название и молекулярную массу. Это было первое превращение картинки в данные. Но для нейросети «картинка» — это просто набор пикселей, она не понимает, где атом, а где связь. Ей нужен язык, который сохраняет химический смысл и одновременно является математическим. Нужен вектор — упорядоченный набор чисел, описывающий молекулу так, чтобы похожие молекулы имели похожие векторы, а разные — разные. Именно здесь начинается самое интересное: химики придумали сразу несколько способов перевести молекулу в вектор, и каждый из них открыл дверь определённому типу нейросетей. Трансформеры научились читать молекулы как текст. Диффузионные модели — вылеплять их из шума, словно скульпторы. А графовые нейросети — общаться между атомами, как друзья в чате.
Когда в детстве осваиваешь язык, общаясь с родителями и другими людьми, ты постепенно и непроизвольно начинаешь замечать закономерности: «я иду», «он идёт». Так учатся и трансформеры — архитектура нейросетей, которая революционизировала машинный перевод, а сейчас и химию. В химии «предложение» — это молекула, записанная в виде строки SMILES. Например, этанол выглядит как CCO, а аспирин — как CC(=O)OC1=CC=CC=C1C(=O)O. Трансформер учится на миллионах пар «реагенты → продукты» и начинает «понимать», что карбоксильная группа C(=O)O часто превращается в ацилхлоридную C(=O)Cl в присутствии тионилхлорида. Он не знает правил нуклеофильного ацильного замещения, но статистически угадывает следующее «слово» в химическом предложении с высокой точностью. Так работают IBM RXN и другие предсказатели реакций: они «переводят» реагенты на язык продуктов, достраивая последовательность атомов и связей. Фактически, трансформер — это «переводчик» с языка исходных веществ на язык конечных, который сам выучил грамматику на примерах.
Совсем другой подход — диффузионные модели. Ты, наверное, видел, как Midjourney или DALL-E генерируют изображения по текстовому описанию. Ты пишешь «кот в скафандре на Марсе», и программа из случайного цифрового «шума» шаг за шагом проявляет картинку. Оказывается, ровно то же можно делать с молекулами и кристаллическими решётками: берётся реальная трёхмерная структура молекулы и постепенно добавляются в неё лёгкие случайные смещения атомов — шум. Через много шагов молекула превращается в бесформенное облако, где уже непонятно, где какой атом. А теперь мы учим нейросеть обратному процессу: из шума восстанавливать исходную структуру. Когда обучение закончено, мы можем подать сети случайный набор координат и сказать: «А теперь сделай из этого молекулу, похожую на лекарство от головной боли». И сеть шаг за шагом, слой за слоем «очищает» шум, расставляя атомы углерода, азота, кислорода в нужные позиции и создавая связи. Так работают современные генераторы новых материалов: они не перебирают триллионы вариантов, а лепят молекулу из тумана вероятностей, словно гончар из глины.
Третий способ увидеть молекулу — посмотреть на неё как на граф. В математике граф — это набор точек (вершин), соединённых линиями (рёбрами). В химии вершины — атомы, рёбра — связи. Графовые нейросети (GNN) работают так: каждый атом «рассылает» сообщения своим соседям о том, какой он (углерод, азот), с кем связан и в каком окружении находится. Соседи получают сообщения, обновляют своё представление о себе и снова рассылают. Через несколько раундов каждый атом «знает» не только о ближайших соседях, но и о том, что где-то на другом конце молекулы есть, скажем, гидроксильная группа. Это похоже на обмен сообщениями в групповом чате: через некоторое время ты уже в курсе, кто с кем встречается и где отдыхает, даже если этих людей и не знаешь лично. Схожим образом в GNN каждый атом становится носителем богатой информации о всей молекуле, и эту информацию можно потом использовать, чтобы предсказать растворимость, токсичность или энергию связывания с мишенью. Графовые сети особенно хороши для кристаллов и материалов — там, где важна
Итак, мы видим, что химики больше не привязаны к карандашу и бумаге. Молекула стала текучей: она может быть строкой символов для трансформера, облаком вероятностей для диффузионной модели или графом для GNN. Это и есть та самая смена языка, о которой мы говорили во введении: от дискретных палочек Кекуле мы перешли к непрерывным векторам, тензорам, скрытым пространствам. Так что в тот момент, когда ты нарисовал молекулу в ChemDraw и нажал «Copy as SMILES», ты уже превратил химию в текст, который понимает нейросеть.
Попробуй сам
Зайди на сайт Molecule of the Month или просто открой Википедию со статьёй про кофеин. Найди строчку SMILES — для кофеина это CN1C=NC2=C1C(=O)N(C(=O)N2C)C. Скопируй её. А теперь представь, что это не просто символы, а координаты молекулы в особом пространстве, где каждая буква и скобка имеют свой числовой код. Ты можешь прямо сейчас вставить этот SMILES в онлайн-конвертер вроде Chemicalize (он бесплатный для небольших молекул) и увидеть, как машина мгновенно вычисляет свойства, даже не «глядя» на формулу. Попробуй мысленно проделать обратный путь: глядя на длинный вектор чисел, восстанови структуру. Именно это делают диффузионные модели — но, конечно, с нечеловеческой скоростью. Если хочешь прикоснуться к идее графов, скачай бесплатную программу Cytoscape и построй простейший граф метана — четыре водорода вокруг углерода. А потом вообрази, что по этим рёбрам бегают сообщения от атома к атому, и каждый атом постепенно узнаёт, что он — часть тетраэдра. Вот так графовые нейросети и улавливают стереохимию.
Ну а для тех, кто уже не боится Python: найди в открытом доступе датасет растворимости ESOL, с помощью библиотеки RDKit переведи молекулы в молекулярные фингерпринты и обучи простенький Random Forest предсказывать растворимость в воде. Ты в миниатюре повторишь ровно то, о чём мы говорили: модель превращает молекулы в векторы и учится на готовых экспериментальных данных, предсказывая свойство за секунды — без всяких квантовых расчётов.
Глава 7. Некоторые модели: от GNoME до MatterGen
В прошлой главе мы научились превращать молекулы в векторы, графы и даже в облака вероятностей. Но всё это были одиночные молекулы, а что если тебе нужно спроектировать материал-кристалл, в котором миллиарды атомов выстроены в строгом порядке и от которого зависит, будет ли твой телефон работать сутки без подзарядки, а электромобиль проезжать тысячу километров? Раньше поиск такого материала был сродни прочёсыванию миллионов стогов сена в поисках одной иголки. Но сегодня у нас есть такие помощники, как графовые пророки вроде GNoME и диффузионные творцы вроде MatterGen.
Допустим, нам нужно найти новый материал для катода литиевого аккумулятора — такой, который был бы стабилен, не разлагался при зарядке и при этом хорошо проводил ионы лития. Пространство возможных комбинаций химических элементов практически бесконечно. Даже если ограничиться разумными рамками, речь идёт о десятках миллиардов потенциальных кандидатов. Сколько из них стабильны? Традиционная квантовая химия (DFT) могла проверить стабильность одной структуры за часы или дни. С такими темпами на перебор ушли бы столетия. К тому же слепой перебор давал мизерный выход: «попаданий» — реально стабильных новых соединений — было около одного процента.
И тут в игру вступает GNoME (Graph Networks for Materials Exploration) от компании Google DeepMind, о котором мир узнал в 2023 году. GNoME — это графовая нейросеть, обученная на сотнях тысяч известных кристаллических структур из Materials Project и других баз. Помнишь, как графовые сети позволяют атомам «общаться» и собирать информацию о соседях? Здесь та же идея, но для периодических решёток. GNoME представляет кристалл не как картинку, а как граф с атомами в узлах и связями между ними. Она проглатывает известные стабильные и нестабильные структуры и учится по одним только графовым признакам угадывать, «выживет» ли данный кандидат. Точность предсказания стабильности новых кристаллов взлетела с ~1% у DFT-скрининга до более чем 80%. Так, GNoME предложила ~2,2 млн кандидатов, из которых ~380 тыс. сочтены стабильными.
GNoME — мощный фильтр, но она оценивает уже готовые структуры, предложенные человеком или случайным генератором. А что если мы хотим не выбирать из меню, а заказать блюдо по вкусу? Нужен материал с определённой шириной запрещённой зоны для солнечной батареи или с максимальным модулем упругости для корпуса космического спутника? Именно это умеет MatterGen — модель от Microsoft Research, представленная в 2025 году. MatterGen — диффузионная модель, которая не ищет готовые структуры, а генерирует кристалл «с нуля», стартуя из шума. Вспомни, как Midjourney рисует кота по описанию. Здесь то же самое, только вместо пикселей — положения атомов, тип элемента и параметры решётки. Ты задаёшь целевое свойство (например, «ширина запрещённой зоны 1,5 эВ»), и MatterGen шаг за шагом проявляет из шума кристаллическую структуру, которая с высокой вероятностью будет обладать именно этим свойством. Это прямой наследник диффузионных моделей для молекул, но масштабированный на периодические твёрдые тела. Создатели называют её «первой универсальной генеративной моделью для неорганических материалов, способной превзойти традиционные подходы».
GNoME и MatterGen — это математические модели. Они оперируют векторами, энергиями решёток и структурными фингерпринтами (типичными структурными блоками). Так что предсказанная стабильность ещё не означает, что материал можно получить в колбе (или в печи). Часть кандидатов, предложенных GNoME, при ближайшем рассмотрении оказались неупорядоченными твёрдыми растворами, которые не имеют строгой периодичности, а значит, не могут считаться новым соединением. Другие и вовсе были синтезированы ещё в 1970-х годах и хранились в малоизвестных базах данных: нейросеть «переоткрыла» велосипед, просто потому что он не попал в её обучающую выборку. Это хороший урок критического мышления, к которому мы ещё вернёмся позже. Искусственный интеллект генерирует гипотезы, а не истины. Каждый предсказанный материал — это приглашение к эксперименту, а не готовый патент. И тут на сцену выходит тот, кто умеет превращать цифру в вещество: робот-химик.
Представь лабораторию, где вообще нет людей. Манипулятор взвешивает порошки оксидов, загружает их в печь, обжигает при точной температуре, а потом другой автомат снимает рентгеновскую дифрактограмму. Это и есть автономная лаборатория в Беркли (A-Lab). Она построена как раз для того, чтобы ставить опыты по заявкам от ИИ вроде GNoME. Цикл выглядит так: GNoME или MatterGen выдаёт список перспективных структур. Автономная лаборатория берёт их в работу: дозирует прекурсоры, спекает, отжигает. Встроенный рентгеновский дифрактометр анализирует продукт. Алгоритм сравнивает полученную картину с предсказанной и решает: успех или нужно изменить условия. Результат идёт обратно ИИ, улучшая следующие предсказания. За несколько месяцев непрерывной работы такая лаборатория синтезировала и подтвердила десятки новых соединений из списка GNoME, показав, что замкнутый цикл «гипотеза → синтез → проверка → новая гипотеза» — это не фантастика, а реальность. Раньше такой путь от идеи до публикации занимал годы; теперь — дни.
Попробуй сам
Зайди на сайт Materials Project. В строке поиска набери LiFePO₄ — это материал катода твоего будущего электросамоката. Ты увидишь его кристаллическую структуру: как шарики кислорода, железа, фосфора и лития складываются в решётку, увидишь предсказанную энергию образования и зонную диаграмму. Поиграй с другими материалами: NaCl (поваренная соль), SiO₂ (кварц). Сравни, насколько они стабильны, как выглядят их графовые сети связей. А теперь попробуй найти материал с конкретным свойством — например, шириной запрещённой зоны около 1,5 эВ для солнечной батареи. Почувствуй себя материаловедом, который ищет иголку в стоге сена, но с мощнейшим ИИ-фонариком. Обрати внимание на статус каждого кандидата: где-то написано «predicted», где-то — «experimental». Что это значит? Если материал только предсказан, а экспериментально никто его ещё не получил, — это всё ещё гипотеза. GNoME может считать его стабильным, но пока A-Lab или другая лаборатория не подтвердит это, красивая решётка остаётся просто картинкой. Именно здесь проходит граница между «ИИ нарисовал» и «материал синтезировали». И это возвращает нас к важнейшей теме критического мышления: не всё, что предсказано, можно подержать в руках. Ну а пока — представляй, как робот-манипулятор взвешивает порошки для твоего будущего рекордного аккумулятора.
Глава 8. На стыке химии и биологии
До сих пор мы говорили о молекулах и материалах, которые химик придумывает и синтезирует сам: лекарства, полимеры, катализаторы. Но есть класс молекул, который природа оттачивала миллиарды лет, — белки. Они умеют сворачиваться в эффективные наномашины, ускорять реакции в миллионы раз и собираться в сложные ансамбли. Ещё вчера расшифровка структуры одного-единственного белка занимала годы и стоила как крыло самолёта. А сегодня школьник с ноутбуком может за минуту получить трёхмерную модель белка, более того, он может придумать совершенно новый белок, которого нет в природе. Давай посмотрим, как искусственный интеллект превратил биологию в раздел химии, а химиков — в архитекторов живых молекул.
Как известно, от уникальной трёхмерной структуры белка зависит, будет ли он переносить кислород (как гемоглобин), переваривать пищу (как пепсин) или поглощать и излучать свет (как флуоресцентный белок). Понять, какая структура получится из данной последовательности аминокислот, — это и есть «проблема фолдинга белка». Экспериментальные методы вроде рентгеноструктурного анализа были дорогими и медленными, а компьютерные расчёты вязли в астрономическом числе возможных конформаций. В 2020 году компания DeepMind представила AlphaFold2 — нейросеть, которая по аминокислотной последовательности предсказывала структуру белка с точностью, сопоставимой с экспериментом. Это было не просто улучшение на пару процентов — это было решение задачи, над которой бились полвека. В 2024 году Нобелевская премия по химии была присуждена Демису Хассабису, Джону Джамперу (создателям AlphaFold) и Дэвиду Бейкеру — пионеру вычислительного дизайна белков. Обрати внимание: премия по химии, а не по биологии. Потому что предсказание и дизайн структуры белков — это химия, просто молекула очень большая и сложная.
Если без формул: AlphaFold работает как умный детектив, который ищет корреляции в базе данных известных белковых структур и множественных выравниваний последовательностей. Он берёт цепочку аминокислот и строит попарные карты расстояний между всеми парами остатков, а затем итеративно «лепит» трёхмерную модель, похожую на оригами. Нейросеть учится на примерах: вот так выглядят альфа-спирали, вот так — бета-листы, а если в поворотной петле стоит глицин, то здесь будет резкий изгиб. Это аналог графовых и трансформерных моделей, только для последовательностей. Через несколько дней после выхода AlphaFold2 учёные по всему миру начали предсказывать структуры белков, которые раньше были недоступны, включая белки вирусов и ключевые ферменты.
В 2024 году вышла следующая версия — AlphaFold3. Она шагнула дальше и научилась предсказывать не только одиночные белки, но и их комплексы — с ДНК, РНК, маленькими молекулами-лигандами (лекарствами), кофакторами, ионами металлов. Теперь можно посмотреть, как потенциальное лекарство «садится» в активный центр фермента, ещё до того, как ты его синтезировал. Можно увидеть, как РНК-полимераза связывается с ДНК-матрицей или как хлорофилл с ионом магния удерживается в активном центре светособирающего белка. AlphaFold3 объединяет все эти взаимодействия в единой модели, и это уже прямой мост от генетики к химическому синтезу. Потенциально ты можешь придумать ингибитор для вирусного белка, загрузить последовательность белка и свою молекулу в AlphaFold3 и через минуту получить картину их совместной укладки.
Но самое захватывающее — это не предсказание существующего, а создание нового. Группа Дэвида Бейкера (того самого нобелевского лауреата) разработала RFdiffusion — диффузионную модель, которая генерирует белки «с нуля» под заданную функцию. Ты помнишь, как диффузионные модели вроде MatterGen рождают кристаллы из шума? Здесь тот же принцип, только для полипептидных цепей. Ты говоришь: «Хочу белок, который будет связывать молекулу X и катализировать реакцию Y, а активный центр пусть содержит цинк и два гистидина». Модель, обученная на десятках тысяч реальных белковых структур, «вытанцовывает» из случайного шума аминокислотную последовательность и её трёхмерную укладку, которые удовлетворяют этим условиям. Такой дизайн ферментов-катализаторов — это ретросинтез наоборот. В обычном ретросинтезе ты смотришь на сложную молекулу и думаешь, из каких простых кубиков её собрать. В дизайне белка ты смотришь на желаемую реакцию и думаешь, какой катализатор её осуществит. Раньше химики пытались конструировать активные центры вручную, полагаясь на интуицию и квантовые расчёты, и часто терпели неудачу: белок не сворачивался или не работал. RFdiffusion и её расширение RFdiffusion3 учатся на удачных и неудачных дизайнах и выдают кандидатов с высокой вероятностью успеха. Уже сейчас получены десятки искусственных ферментов, для которых природа не создала аналогов.
Попробуй сам
Это как раз тот случай, когда слова «Нобелевская премия» и «твои руки» стоят в одном предложении. Зайди на сайт UniProt и найди запись для инсулина человека (например, P01308). Обрати внимание: инсулин состоит из двух цепей (A и B), соединённых дисульфидными мостиками. Открой AlphaFold Server, вставь эту последовательность (тебе понадобится скопировать обе цепи через двоеточие как разделитель, например цепь_A:цепь_B) и запусти предсказание структуры. Внимание: для работы с мультимерными белками в AlphaFold Server используется режим предсказания комплексов. Через несколько минут ты получишь трёхмерную модель белка, за расшифровку которого когда-то давали отдельные премии. Покрути её, найди альфа-спирали (они похожи на пружинки) и бета-листы (стрелочки). А теперь сравни свою модель с реальной структурой инсулина в банке данных RCSB PDB (код 1TRZ). Насколько они похожи? И эта симуляция — та самая технология, за которую дали Нобелевскую премию по химии 2024 года.
Глава 9. Волшебство, которому решили научить машину
В первой главе мы оставили химика начала 21-го века счастливым обладателем электронного карандаша и быстрого поиска. Но рисовать формулы и искать статьи — это лишь подготовка к главному таинству. Главное — придумать, как собрать сложную молекулу из простых кубиков. Это называется ретросинтетический анализ, и им химик занимается в тишине, глядя в потолок и беззвучно шевеля губами. Долгое время считалось, что это чистая магия, передаваемая от гуру к ученику. Но один человек решил: магии нет, есть алгоритм. Этого человека звали Элайас Кори, и его история — пример того, как хорошая идея может обогнать своё время ровно настолько, чтобы провалиться. А потом воскреснуть уже в мире нейросетей.
Из каких фрагментов можно слепить молекулу сложного природного соединения — скажем, хинина или пенициллина? В голове крутятся десятки известных реакций и такие понятия, как «чутьё», «опыт», «интуиция». При этом мэтры синтеза многозначительно поднимают палец, а молодые аспиранты записывают за ними каждое слово, надеясь, что когда-нибудь и на них снизойдёт откровение. А вот Элайас Кори, тогда ещё молодой профессор Гарварда, в эту магию не верил. Он был убеждён: если химик может объяснить, почему он выбрал именно этот разрыв связи, значит, это можно записать в виде правил, то есть алгоритма. Так родилась идея LHASA (Logic and Heuristics Applied to Synthetic Analysis) — первой в мире программы для ретросинтетического анализа.
Кори не просто написал код. Он вместе с коллегами проанализировал интуицию и опыт многих химиков-синтетиков, вытащив оттуда эвристики — приёмы, которыми мы пользуемся при планировании синтеза. Например: «Избегай реакций, которые дают смеси продуктов», «Начинай с разрыва связи рядом с функциональной группой», «Не трогай ароматическое кольцо без крайней необходимости». Эти правила он формализовал и скормил компьютеру, и в 1969 году LHASA начала предлагать первые синтетические маршруты. А в 1990 году Кори получил Нобелевскую премию по химии — в том числе за доказательство того, что «химическая интуиция» — это не магия, а система правил.
Звучит триумфально, правда? Человек оцифровал интуицию, машина думает как химик! Но на практике всё оказалось не так радужно. Нередко LHASA формально соблюдала все химические правила, но игнорировала контекст. Программа могла предложить синтез, в котором на одной стадии получается кислота, а на следующей — добавляется щёлочь, потому что правило «нейтрализуй кислоту» не было явно прописано для этого конкретного случая. Она генерировала тысячи вариантов, и большинство из них были бессмысленными с практической точки зрения — требовали несуществующих реагентов, не учитывали побочные реакции, игнорировали то, что какой-нибудь промежуточный продукт быстро разложится. Кори это понимал. Он ввёл систему оценки маршрутов, пытаясь отсеять самые безумные идеи. Но жёсткие правила оценки — это всё же правила, которые можно обойти. Получался порочный круг: чтобы отличить хороший маршрут от плохого, нужна была та самая интуиция, которую LHASA и пыталась заменить.
Пример LHASA (как и многих других экспертных систем той эпохи) преподнёс химикам важный урок. Химия не сводится к списку из ста или даже тысячи «если… то…». Химическое пространство настолько огромно и причудливо, что любое конечное множество правил рано или поздно наткнётся на исключение. А исключений в химии ненамного меньше, чем самих правил. Кори показал, что интуицию можно формализовать лишь частично. Каждый раз, когда LHASA выдавала очередную глупость, программистам приходилось дописывать новое правило-заплатку. Это была бесконечная гонка: сегодня ты запретил программе смешивать кислоту с мылом, завтра она предложит смешать кислоту с содой, послезавтра — кислоту с аммиаком. Ты не успеешь записать все запреты, потому что их бесконечно много. Нужен был принципиально другой подход: не вбивать правила в голову машины, а дать ей возможность выучить их самой — на примерах. Показать ей тысячи удачных реакций и сказать: «Смотри и запоминай, что работает, а что нет». Но для этого в 1969 году не было ни достаточного количества данных, ни необходимых вычислительных мощностей. Прошло пятьдесят лет, и учёные перестали объяснять машине правила, а просто дали ей прочитать все доступные лабораторные журналы мира. Сегодняшние системы ретросинтеза похожи на бывалого мастера, который повидал миллион синтезов и говорит тебе: «Слушай, вот этот путь — дорогой, но быстрый, а вот этот — копеечный, но придётся повозиться с колонкой. Выбирай».
Помнишь метафору про яичницу? Можно записать роботу инструкцию: «Разбей яйцо, посоли, жарь три минуты». А можно показать тысячу фотографий хорошей яичницы — и робот сам поймёт, что с ней надо делать. В ретросинтезе случилось ровно то же самое. Вместо того чтобы дописывать бесконечные правила «если в молекуле есть карбонил и сопряженная с ним двойная связь, то примени реакцию Михаэля, но только если нет стерических помех, и не забудь про растворитель…», инженеры просто взяли базы данных, где собраны тысячи реально проведённых реакций. Каждая запись — это молекула-мишень и набор исходных веществ, из которых она получилась. Дальше в дело вступают хитрые алгоритмы. Они учатся на этих примерах точно так же, как ты учился отличать кошек от собак в Google Teachable Machine. Только вместо пикселей они анализируют молекулярные графы и SMILES-строки. И постепенно у них вырабатывается статистическая «интуиция»: «Если в молекуле есть пиридиновое кольцо и сложноэфирная группа, то с вероятностью 87% первым шагом надо разорвать эфирную связь гидролизом, а не трогать кольцо». Такой подход не только в разы ускоряет планирование, но и часто находит маршруты, которые химику просто не пришли бы в голову — просто потому что никто не держит в уме всю мировую литературу за последние два века.
Один из самых доступных инструментов этого класса — ASKCOS, разработанный в Массачусетском технологическом институте. Он бесплатный, работает через браузер и умеет сразу несколько вещей: предсказывать одностадийный ретросинтез, искать полные многостадийные маршруты, рекомендовать условия реакции и даже оценивать растворимость промежуточных продуктов. В основе ASKCOS лежит так называемый поиск по дереву Монте-Карло (Monte Carlo Tree Search) — звучит мудрёно, но идея простая. Представь, что тебе нужно пройти лабиринт от выхода к старту. Ты можешь пойти направо или налево, потом ещё раз и ещё — вариантов множество. Чтобы не перебирать всё, ты запускаешь тысячу виртуальных мышей, которые бегут случайно, но каждая запоминает, как далеко она смогла убежать и не упёрлась ли в тупик. Через некоторое время самые успешные маршруты протаптываются, и ты понимаешь: скорее всего, правильный путь — вот этот. MCTS делает то же самое с деревом химических превращений: пробует случайные разрывы связей, оценивает перспективность каждого промежуточного соединения и шаг за шагом выстраивает оптимальный маршрут. При этом ASKCOS использует не одну модель ретросинтеза, а целых четыре — шаблонные и бесшаблонные, что повышает надёжность предсказаний.
Другой гигант на этом поле — облачная платформа IBM RXN for Chemistry. Если ASKCOS больше полагается на поиск по дереву, то IBM RXN — это чистокровный трансформер, родной брат тех моделей, что переводят текст с английского на русский. Вспомни: молекулу можно записать в виде строки SMILES. Для трансформера реакция — это просто «перевод» строки реагентов в строку продуктов. Он обучается на миллионах таких «предложений» и учится достраивать недостающие атомы и связи с высокой точностью: в девяти случаях из десяти трансформер правильно угадывает, что получится в колбе, даже если он никогда не видел именно эту комбинацию реагентов. Базовая версия IBM RXN бесплатна и умеет предлагать полные синтетические маршруты. Ты просто рисуешь целевую молекулу, нажимаешь кнопку — и через минуту получаешь несколько вариантов со всеми промежуточными стадиями, ссылками на литературу и оценкой вероятности успеха.
Но химия — это не только вопрос «можно ли синтезировать». Это всегда баланс цены, безопасности и практичности. Можно синтезировать целебную молекулу за 10 стадий через цианиды и кипящий диоксан — но токсичность зашкалит, а цена будет как у острова на Мальдивах. А можно найти четырёхстадийный маршрут с использованием копеечных реагентов и воды как растворителя. Как научить машину выбирать не просто возможный, а оптимальный маршрут? Здесь в игру вступают ещё более продвинутые системы.
DeepRetro — это открытый фреймворк, который объединяет обычные ретросинтетические движки с большой языковой моделью (наподобие ChatGPT) в итеративном цикле. Ты можешь сказать: «Этот маршрут мне не нравится — слишком дорого», и языковая модель поймёт тебя, передаст пожелание движку, и тот предложит альтернативу. Диалог между химиком и ИИ становится непрерывным уточнением задачи.
Ещё один интересный инструмент — MHNpath, построенный на современных сетях Хопфилда. Он позволяет заранее настроить систему приоритетов: цена, температура, токсичность, доступность реагентов. Ты выставляешь ползунки: «Хочу подешевле, до 100°C и без сверхтоксичных веществ». И сеть Хопфилда ищет такой маршрут, оптимизируя сразу все параметры. Фактически, ты становишься не просто химиком, а менеджером проекта, который задаёт критерии успеха, а машина подбирает варианты. Лучше всего это сравнить с конструктором, где ты из молекул-прекурсоров можешь собрать сложную модель — целевое лекарство. Раньше ты сидел часами и придумывал инструкцию сам, перебирая детали, теперь ты просто показываешь нейросети фотографию модели и говоришь: «Сделай мне инструкцию, но так, чтобы использовать только детали из этого ящика и чтобы собрать можно было за час». И нейросеть выдаёт несколько пронумерованных шагов: шаг 1 — возьми бензойную кислоту, шаг 2 — добавь уксусный ангидрид, шаг 3 — подогрей до 60°C… И сортирует эти инструкции по цене, скорости и количеству шагов. Можно собрать быстро и дорого, можно долго и дёшево, а можно — оптимально.
Все эти системы работают уже сейчас, и многие из них бесплатны. Впервые в истории любой химик может сесть за ноутбук и спланировать синтез сложной молекулы, на который у профессоров XX века уходили недели. Всё, что требуется, — нарисовать молекулу и задать правильные вопросы. А критическое мышление понадобится, чтобы отсеять красивые, но нереализуемые предложения — всё-таки даже самый умный ИИ иногда галлюцинирует. В следующей главе мы посмотрим, как роботы не только планируют, но и сами ставят реакции, замыкая цикл «гипотеза → эксперимент», о чём Кори мог только мечтать.
Попробуй сам
А теперь давай ненадолго включим «режим LHASA». Возьми простую молекулу — например, всё тот же аспирин. Попробуй записать на бумаге правила, просто сформулируй словами, как бы ты объяснял способ его синтеза воображаемому компьютеру-новичку. Начни с очевидного: «Найди все связи, которые можно мысленно разорвать», «Посмотри, какие фрагменты получаются», «Для каждого фрагмента проверь, есть ли коммерчески доступный реагент». А теперь представь, что тебе нужно записать все исключения. Что делать, если в молекуле и спиртовая группа, и кислотная? Что, если она полициклическая? Сколько правил и запретов у тебя получилось уже через пять минут? Если счёт пошёл на десятки и ты начал путаться — добро пожаловать в мир экспертных систем. Именно в нём пытался навести порядок Кори, вооружившись карандашом и верой в алгоритмы. А теперь вообрази, что кто-то предложил не дописывать правила до бесконечности, а просто показать машине миллион удачных синтезов. Чувствуешь разницу в подходе?
А сейчас открой две вкладки в браузере: IBM RXN for Chemistry (нужна бесплатная регистрация) и ASKCOS. Нарисуй в обеих системах аспирин — ту самую 2-ацетоксибензойную кислоту, которая уже стала нашим талисманом. Запусти предсказание ретросинтеза и через минуту получишь два независимых набора маршрутов. А теперь поработай детективом. Сравни, какой путь короче, какой использует более дешёвые и доступные реагенты, какой предлагает жёсткие или опасные условия. Где системы сошлись во мнении, а где разошлись? Представь, что ты руководитель фармацевтического отдела и у тебя в лаборатории нет уксусного ангидрида, зато есть уксусная кислота — какой маршрут останется, а какой отправится в корзину? Запиши свои выводы в любой блокнот: два независимых свидетеля надёжнее одного, и привычка фиксировать ход мыслей пригодится, когда мы доберёмся до лабораторного дневника 2.0. Если хочешь продолжить расследование, повтори эксперимент с парацетамолом или кофеином и сравни, насколько предсказания зависят от структуры молекулы.
Глава 10. Роботы-химики
В прошлой главе мы стали виртуальными планировщиками синтеза: нажали кнопку — и получили маршрут. Но кто-то ведь должен смешать реагенты, нагреть колбу и проверить, получился ли белый порошок или бурая жижа? Когда-то это делал ты сам, стоя у вытяжного шкафа с пипеткой. Потом появились простые автоматы: загрузил пробирки, нажал «старт» — и машина сама дозирует. Но сегодняшние роботы-химики умеют гораздо больше: они не просто выполняют твои команды, а сами решают, какой эксперимент поставить следующим, и даже находят рецепты, которые тебе и в голову не пришли бы. Давай посмотрим, как выглядит эта эволюция — от «умной кофеварки» до почти самостоятельного учёного.
Разреши представить робота-кондитера, который однажды замечает, что у булочек, которые он случайно проткнул вилкой перед выпечкой, корочка получилась хрустящей, а мякиш — воздушнее. Ты такого не просил. В учебниках такого нет. Но робот запомнил и теперь всегда протыкает булочки. Он не просто повторил твой рецепт — он его улучшил, найдя скрытую закономерность, которую никто из пекарей не замечал, потому что «так не положено». Именно так работают современные роботизированные лаборатории. Они не просто экономят время, а ставят эксперименты, которые ты никогда бы не поставил, потому что их слишком много или они кажутся бессмысленными. И в этом они опираются на искусственный интеллект.
Возможно, ты слышал про уровни автономности автомобилей: от 0 (ты всё делаешь сам) до 5 (машина едет вообще без руля и педалей). В химии происходит то же самое, только вместо дороги — лабораторный стол.
Уровень 0 — «Ручной труд»: Ты сам дозируешь реагенты, включаешь нагрев, записываешь показания. Компьютер разве что печатает методику.
Уровень 1 — «Помощник»: Автоматический дозатор или автоподатчик проб. Ты по-прежнему принимаешь все решения, но пара рутинных действий переложена на машину.
Уровень 2 — «Исполнитель»: Робот выполняет заложенную программу: смешать А и Б, греть 2 часа при 80°C. Но если что-то пойдёт не так (например, давление подскочит), он не среагирует — только подаст сигнал тревоги. Большинство промышленных синтезаторов — это уровень 2.
Уровень 3 — «Условная автономность»: Робот может варьировать параметры в заданном диапазоне: температуру, концентрацию, время. Он использует алгоритмы оптимизации, чтобы найти наилучший выход. Но цель и границы по-прежнему ставит человек.
Уровень 4 — «Высокая автономность»: Робот сам решает, какой эксперимент поставить следующим, интерпретирует аналитические данные (спектры, хроматограммы) и меняет стратегию. Он может предложить новый путь синтеза. Человек нужен в основном для того, чтобы пополнить запасы реагентов и починить сломавшийся насос.
Уровень 5 — «Полная автономность»: Лаборатория работает без участия человека: заказывает реагенты, калибрует приборы, ремонтирует себя, публикует статьи. Это пока научная фантастика, и ни одна система в мире к нему даже не приблизилась. Большинство описанных ниже роботов находятся между уровнями 3 и 4. Они «условно автономны» или «высокоавтономны» в очень узкой области.
Начнём с самого доступного. RoboChem (и его гибкая версия RoboChem-Flex) — это проект, который доказывает: «self-driving lab» можно собрать из недорогих компонентов и 3D-печатных деталей. Стоимость базовой версии — около 5000 долларов, а все файлы для печати и код выложены в открытый доступ. По сути, это небольшая проточная система с насосами, камерами и спектрофотометром, которая умеет оптимизировать химические реакции. Внутри стоит алгоритм байесовской оптимизации: робот ставит несколько опытов, строит вероятностную модель, предсказывает, где выход будет максимальным, и ставит следующий опыт именно там. За несколько итераций он находит условия, которые дают выход 90%+, хотя изначально было 20%. Причём ему не нужна теория — только измерения.
Следующий уровень — AlphaFlow, о которой говорилось ещё во введении. Эта проточная лаборатория использует обучение с подкреплением — тот же метод, что учит нейросети играть в шахматы и го. AlphaFlow не просто оптимизирует одну стадию; она способна выстроить многостадийный синтез без априорного знания стандартных протоколов. Её запустили с задачей найти маршрут синтеза, и она, пробуя разные последовательности реакций и условия, самостоятельно открыла и оптимизировала путь, который оказался лучше общепринятых прописей.
А теперь представь, что ты можешь просто написать чат-боту: «Синтезируй мне аспирин, используя салициловую кислоту и уксусный ангидрид». И робот всё сделает. Именно это и продемонстрировал Coscientist — проект Carnegie Mellon и Emerald Cloud Lab (2023). Coscientist — это ИИ-агент на базе большой языковой модели (той же породы, что ChatGPT), который умеет писать код на Python для управления облачной лабораторией. Ты даёшь ему текстовое задание, он ищет в интернете методику, пишет скрипт для дозирования, нагрева и анализа, отправляет его в удалённую роботизированную лабораторию и получает результат. Ему удалось успешно синтезировать аспирин и парацетамол. Coscientist — прекрасный пример интеграции языкового интеллекта с физическим миром. Правда, он пока не придумывает новые реакции, а использует известные; его автономность — на стыке уровней 3 и 4, но с мощной языковой прослойкой.
Для неоргаников и материаловедов в Беркли построили A-Lab — автономную лабораторию, которая завязана на предсказания GNoME. Это цех с роботами-манипуляторами, печами и рентгеновским дифрактометром. Порошки оксидов дозируются, прессуются, обжигаются, а затем автоматически анализируется их кристаллическая структура. Алгоритмы активного обучения сравнивают полученную дифрактограмму с предсказанной и решают: синтез удался или нужно изменить температуру/время/соотношение реагентов. A-Lab может работать без выходных, перебирая сотни рецептов и постепенно улучшая свою модель. За несколько месяцев она синтезировала и подтвердила десятки новых соединений, которые GNoME пометил как перспективные. Это уровень 4: лаборатория сама решает, что делать дальше, основываясь на предыдущих результатах. Но даже она не умеет заказывать закончившийся оксид титана — это делает лаборант.
На промышленном уровне концепция «self-driving lab» воплощается в гигантских облачных фабриках. Ginkgo Bioworks (совместно с OpenAI) строит облачную лабораторию синтетической биологии, где роботы конструируют ДНК, тестируют штаммы микроорганизмов и масштабируют ферментацию. Доступ к таким платформам продаётся как сервис: ты загружаешь проект, а роботы выполняют его на своём оборудовании. Это всё ещё уровень 3–4, потому что человек формулирует задачу и интерпретирует результаты высокого уровня, но рутинные операции полностью автоматизированы.
Несмотря на огромные успехи, достигнутые в этом направлении, ни одна из упомянутых работизированных лабораторий пока ещё не является полностью автономной. Они не заказывают реагенты сами, не могут починить сломавшийся шприцевой насос, не меняют лампочки в спектрофотометре и не пишут в журнал «закончился гексан, закажите ещё». И ни один эксперт отрасли не скажет, что робот-химик сегодня способен заменить человека-исследователя. Скорее, робот становится суперлаборантом: неутомимым, точным, способным перебрать тысячи вариантов, пока ты думаешь о смысле.
Попробуй сам
Для начала просто посмотри, как это выглядит вживую. Найди на YouTube видео «A-Lab Berkeley autonomous lab» или «RoboChem flow chemistry» и полюбуйся, как робот-манипулятор переставляет тигли и загружает их в печь — зрелище завораживает не меньше, чем марсоход. Если тебя зацепила идея собрать такого робота самому, загляни на GitHub по запросу «RoboChem» — все файлы для 3D-печати и код лежат в открытом доступе, и, возможно, ты построишь своего химического ассистента. А если хочешь уже сейчас почувствовать, как думают эти роботы, открой Google Colab и найди любой учебный блокнот по байесовской оптимизации. Придумай простую «игрушечную» химическую задачу: пусть выход реакции зависит от температуры и времени как какая-нибудь математическая функция с одним максимумом. Сначала запусти случайный перебор — десять случайных точек, и посмотри, какой максимальный выход нашёлся. Потом запусти оптимизацию: она сама выбирает следующую точку, основываясь на предыдущих результатах. Сравни, за сколько шагов байесовская оптимизация нашла оптимум, пока случайный поиск всё ещё блуждает в потёмках. Никакой магии — просто умный алгоритм, который учится на ходу. Именно так работают self-driving labs: они не перебирают всё подряд, а с каждым опытом становятся умнее.
Глава 11. Когда ИИ берёт в руки инструменты
В предыдущей главе мы познакомились с роботами, которые смешивают, греют и анализируют. Но у каждого робота есть программа, которая говорит ему, что делать. Часто это просто список команд, заложенный человеком. Но всё чаще этим мозгом становится ИИ-агент — автономная программа, которая не просто выполняет приказ, а сама решает, какой инструмент взять, чтобы решить задачу. В этой главе разберёмся, как такие агенты берут в руки не пробирки, а программные инструменты — и становятся «менеджерами-учёными».
Мы уже сравнивали роботов-химиков с автопилотами: у них есть уровни автономности. Но там речь шла о физическом исполнении — дозировании, нагреве. Агент же живёт в мире программ. У него нет рук; его «инструменты» — это API, базы данных, расчётные модули. Он может запустить предсказание ретросинтеза в ASKCOS, посчитать энергию в DFT, поискать статьи в PubMed, сгенерировать гипотезу и даже написать код для управления роботом. Именно соединение «головы» (агента) с «руками» (лабораторным роботом) даёт ту самую автономность уровня 4, о которой мы говорили. Чтобы не запутаться, запомни главное различие: робот — это исполнительный механизм, лабораторная посуда с моторчиком. Агент — это стратег, который сидит в облаке, перебирает цифровые инструменты и говорит роботу: «Сделай так».
Одним из первых таких агентов стал ChemCrow — проект, соединивший большую языковую модель (на основе GPT-4) с восемнадцатью химическими инструментами. Это как швейцарский нож, где есть такие «лезвия», как RXN for Chemistry (предсказать реакцию), AiZynthFinder (найти путь синтеза), модули поиска литературы, расчёта свойств и даже генератор синтеза полимеров. Ты даёшь ChemCrow текстовое задание: «Синтезируй репеллент от комаров, используя доступные реагенты, и предложи методику». Модель анализирует запрос и выбирает нужные инструменты: сначала запускает ретросинтез, чтобы понять, из чего сделать диэтилтолуамид (DEET), потом проверяет свойства реагентов в базе данных, генерирует протокол и может передать его роботу-исполнителю. При этом ChemCrow не просто копирует готовый рецепт, а рассуждает (или, по крайней мере, имитирует рассуждение) о том, какой растворитель выбрать, почему эта стадия может пойти с плохим выходом и стоит ли попробовать альтернативный путь. Это шаг к тому, чтобы машина стала не просто библиотекарем, а напарником в мозговом штурме.
Ещё интереснее системы, которые называют AI co-scientist (ИИ-соучёный). Их задача — не просто выполнить приказ, а помочь тебе придумать гипотезу. Например, ты хочешь разработать новый катализатор для расщепления воды. В мире опубликованы тысячи статей по катализу. Прочитать их все невозможно. Но ИИ-агент может «проглотить» эту гору текстов за часы и найти закономерности, которые никто не замечал. Он говорит: «Смотри, в таких-то статьях 2015, 2018 и 2022 годов упоминаются похожие комбинации металлов, но никто не пробовал их при высоком давлении. Давай проверим?» Такие агенты формулируют гипотезы, ищут «белые пятна» — области, где данных мало, а потенциальный прорыв велик. Фактически они работают как идеальный ассистент, который никогда не спит и помнит каждую прочитанную статью. Конечно, окончательное решение, какую гипотезу проверять, остаётся за тобой. Но перебрать миллион вариантов и отсеять заведомо безнадёжные машина может за минуты.
А что будет, если запустить не одного, а нескольких ИИ-агентов, у каждого из которых своя специализация (вспомни принцип MoE)? Один — эксперт по термодинамике, второй — по кинетике, третий — по токсичности. Они получают общую задачу и начинают спорить друг с другом, пока не придут к согласованной гипотезе. Такие мультиагентные системы, например SciAgents, работают как научная группа. Один агент предлагает: «Давайте использовать марганцевый катализатор». Второй возражает: «Но побочная реакция с водой даст нестабильный интермедиат». Третий подсказывает: «Если добавить хлорид-ион, он стабилизирует комплекс, смотрите статью 2024 года». В итоге они вырабатывают взвешенное предложение, которое уже потом предъявляют человеку. Это похоже на консилиум врачей или защиту диплома, только очень быстро.
Теперь соедини агента-стратега с роботом-исполнителем. Получится полностью автономный цикл: ты ставишь общую задачу («найди новый ингибитор для этого белка»), агент формулирует гипотезы, выбирает кандидатов, планирует синтез, а робот выполняет реакцию и проводит тесты. Результат возвращается агенту, и тот уточняет модель. Так работают самые продвинутые лаборатории уровня 4, и именно этот альянс — главный тренд ближайших лет. Скорее всего, химик будущего будет не столько стоять у прибора или лабораторного стола, сколько управлять парком ИИ-агентов, как дирижёр оркестром.
Попробуй сам
Для начала почувствуй себя в роли «агента» с самым простым инструментом — обычным чат-ботом. Открой ChatGPT или любой аналогичный сервис с доступом в интернет и дай ему задание: «Предложи план синтеза аспирина из подручных средств, найди методики и сравни их по безопасности. Аргументируй выбор». Ты увидишь, как он «размышляет»: проверяет несколько источников, взвешивает плюсы и минусы, даже указывая, какой растворитель безопаснее. Это и есть упрощённая модель того, как работают химические агенты: они точно так же комбинируют информацию. Если чат-бот сказал что-то подозрительное, не поленись перепроверить источники — мы же помним про критическое мышление.
Теперь шаг посложнее — для тех, кто не боится Python. Настоящий ChemCrow устроен так: языковая модель не просто общается, а дергает за ниточки, запуская определённые функции — например, запускает расчёт молярной массы. Ты можешь собрать своего мини-агента прямо сейчас. Напиши простенькую функцию на Python, которая принимает химическую формулу (строку вроде C6H12O6) и возвращает молярную массу. Затем подключи эту функцию к языковой модели через механизм
Если хочешь увидеть, как выглядит взрослая версия, загляни на GitHub по запросу «ChemCrow» — там выложен открытый код, который при желании можно запустить с настоящими химическими API. Но даже просто полистать документацию полезно: ты увидишь, как языковая модель вызывает внешние сервисы, и поймёшь, что под капотом у агентов нет никакого волшебства — только грамотно связанные друг с другом программы. В следующей главе мы спустимся на ступеньку ниже — от планирования к анализу. Ты синтезировал вещество, теперь надо понять, что получилось. И тут в игру вступают нейросети-спектроскописты.
Глава 12. Призрак в спектре
Ты сидишь в лаборатории, перед тобой — колба с вязкой жидкостью, брутто-формула вещества C₁₇H₂₁NO₄, но ты понятия не имеешь, как именно атомы сложились в пространстве. Рядом лежит листок с ЯМР-спектром — десятки пиков, дублетов, триплетов, мультиплетов. Твоя задача: восстановить полную структуру молекулы. Без этого ты не можешь публиковать статью, не можешь продолжать синтез, не можешь даже толком понять, что создал. Ты — детектив, спектр — улика, а неизвестная молекула где-то прячется за частоколом сигналов. Ещё двадцать лет назад ты потратил бы на решение этой задачи несколько дней, а то и недель. Сегодня ты открываешь ноутбук, загружаешь файл и через секунду получаешь ответ: «Вероятнее всего, это скополамин — природный алкалоид, содержащийся в растениях семейства паслёновых».
В главе 1 мы вспоминали, как химики конца XX века «расшифровывали» спектры вручную. Ты получал бумажную ленту самописца с пиками, похожими на кардиограмму, и начинал священнодействие. Для каждого сигнала нужно было измерить химический сдвиг (в миллионных долях, линейкой по распечатке!), посчитать интеграл (площадь под пиком — сколько протонов), оценить мультиплетность (расщепление) и константы взаимодействия. Потом всё это складывалось в мозаику: «Если тут дублет на 2.1 м.д. и интеграл 3Н, а там квартет на 4.0 м.д. и интеграл 2Н, то, кажется, это этильная группа, соседствующая с карбонилом…». Ты сидел с карандашом, рисовал возможные фрагменты, перебирал варианты, спорил с коллегами. Это было искусство, требовавшее колоссального опыта и пространственного воображения. Параллельно существовал и «компьютерный» путь: запустить расчёт для предполагаемой структуры и предсказать спектр. Но такой расчёт работал медленно и требовал подгонок. На один спектр нередко уходили часы машинного времени, а ошибки всё равно оставались.
Сегодня же предсказание ЯМР-спектра (химические сдвиги и константы связи для ¹H, ¹³C, ¹⁵N, ¹⁹F) можно получить меньше чем за секунду. Именно так работает IMPRESSION-G2 — трансформерная нейросеть, обученная на огромной базе квантово-химических расчётов и экспериментальных данных. Помнишь трансформеры, которые «переводят» молекулы в свойства? Здесь тот же принцип: на вход подаётся трёхмерная структура молекулы, а нейросеть мгновенно выдаёт значения всех химических сдвигов с точностью, почти неотличимой от DFT, но во много раз быстрее. На обычном ноутбуке за минуту можно обсчитать сотни молекул — задача, на которую у суперкомпьютера с DFT ушли бы недели. Как это меняет работу? Раньше, чтобы проверить гипотезу о структуре, ты должен был либо полагаться на интуицию, либо запускать долгий расчёт. Теперь ты спрашиваешь: «А что если это не пара-изомер, а орто-изомер?» — и через секунду видишь предсказанный спектр для каждого варианта. Наложил на экспериментальный — и сразу видно, какой лучше подходит.
Но и это не вершина. IMPRESSION-G2 предсказывает спектр по структуре. А что, если мы хотим обратного: из спектра получить структуру? Именно это делает ChefNMR — диффузионная модель, которая по протонному спектру и брутто-формуле восстанавливает молекулярную структуру. Помнишь диффузионные модели (MatterGen, RFdiffusion), которые лепят молекулы из шума? Здесь шум — это не координаты атомов, а спектральные данные, которые постепенно «очищаются» до конкретной формулы. Для сложных природных соединений точность ChefNMR превышает 65% на симулированных бенчмарках; на реальных экспериментальных спектрах этот показатель ниже. Тем не менее, для полностью автоматического метода это весьма солидно, ведь природные молекулы часто имеют запутанные полициклические скелеты с десятками стереоцентров. Можно сказать, что ChefNMR работает как опытный шеф-повар: по «аромату» спектра (пикам) и «весу» молекулы (брутто-формуле) восстанавливает рецепт укладки. И пусть пока точность не 100%, для первичного скрининга неизвестного вещества это удобный инструмент. За считанные минуты ты получаешь нескольких правдоподобных кандидатов и затем проверяешь их другими методами.
Что всё это значит для тебя, химика? Твоя роль принципиально меняется. Раньше ты был криминалистом с лупой, который часами сличал отпечатки пальцев (спектры) с картотекой. Теперь нейросеть делает это за тебя. Ты же превращаешься в Шерлока Холмса, который смотрит на результат и задаёт неочевидные вопросы: «Почему машина уверена, что гидроксильная группа находится именно здесь, хотя интеграл протона чуть меньше ожидаемого? Может, происходит таутомерия? Или внутримолекулярная водородная связь?». Ты начинаешь думать не только о формуле, а о динамике молекулы, о её поведении в растворе. Нейросеть даёт версию — ты её критически осмысливаешь. Это то самое партнёрство «человек + ИИ», где рутина отдана машине, а стратегия и интерпретация — тебе. И, конечно, не забывай: нейросети иногда ошибаются, особенно если молекула содержит редкие атомы или находится в необычном окружении. Поэтому окончательный вердикт всегда за экспериментом, но при этом скорость выдвижения гипотез возрастает в разы.
Попробуй сам
Сейчас ты сам станешь детективом по отпечаткам молекул. Зайди на nmrdb.org — это бесплатный предсказатель ЯМР-спектров, который работает прямо в браузере. Нарисуй структуру этанола и нажми «Predict NMR». Ты увидишь модельный протонный спектр с пиками, мультиплетностью и интегралами. Найди в интернете реальный спектр этанола (просто введи в поиск картинок «ethanol 1H NMR») и сравни: где совпало идеально, а где разошлось? Подумай, почему: может, модель не учитывает растворитель, или реальный спектр снят на приборе с иным разрешением?
Потом перейди к детективной задаче: найди в сети спектр кофеина и попробуй вручную, с линейкой, определить структуру — как химик из девяностых. А теперь скорми этот же спектр модели в nmrdb.org и посмотри, что предложит машина. Сравни свой вариант с машинным. Где ты ошибся? Где машина была слишком самоуверенна? Именно так работает современная спектроскопия: нейросеть выдвигает версию, а ты её допрашиваешь. Не принимай предсказание на веру — помни, что редкие атомы и необычные условия могут сбить даже самую умную модель с толку. В следующей главе мы посмотрим, как лабораторный журнал, который раньше был просто тетрадкой с кляксами, превращается в интеллектуального ассистента и сам пишет черновик статьи.
Глава 13. Лабораторный дневник 2.0
Мы прошли долгий путь от бумажных картотек и трафаретов до роботов, которые сами ставят реакции, и нейросетей, которые читают спектры. Всё это — про работу руками и головой. Но есть одна вещь, которую ненавидят многие химики мира — и это лабораторный журнал.
Вот он, классический лабораторный журнал: толстая тетрадь в коленкоровом переплёте, страницы пронумерованы вручную, записи сделаны ручкой (обязательно! карандаш — несерьёзно). Туда вклеивали распечатки спектров, фотографии ТСХ-пластинок, рисовали схемы установок. Если ты проливал кофе — страница шла волнами, но данные оставались. Если терял тетрадь — терял год работы. Если хотел найти эксперимент трёхмесячной давности — листал, чертыхаясь, пока не находил нужную страницу.
Проблема была не только в неудобстве. Главная беда — тетрадь была мёртвой. Она не могла тебе сказать: «Слушай, ты уже пробовал этот растворитель в прошлом ноябре, и выход был всего 20%». Она не умела сама строить графики зависимости выхода от температуры. И когда приходило время писать статью, ты садился и вручную перепечатывал все методики, сверялся с записями и мучительно вспоминал, почему в тот четверг ты решил добавить именно 5 мкмоль катализатора. Ведь когда ты в десятый раз перекристаллизовываешь одно и то же вещество, мысль «записать всё это в тетрадь» вызывает примерно такой же энтузиазм, как мытьё посуды после новогоднего застолья.
Но без журнала ты не химик, без него твои результаты — просто грязные колбы. И вот тут в игру вступает Лабораторный дневник 2.0 (Electronic Lab Notebook, ELN) — электронный журнал, который не просто хранит записи, а превращается в соавтора статьи и персонального ассистента. Первые электронные лабораторные журналы появились ещё в конце 1990-х. Но поначалу они были просто текстовыми файлами с прикреплёнными картинками — не сильно умнее бумаги. Сегодняшний ELN — это облачная платформа, часто с элементами искусственного интеллекта, которая делает гораздо больше, чем просто хранит записи.
Во-первых, он сам собирает данные с приборов. Весы отправили массу навески — запись в журнале обновилась автоматически. Спектрометр снял ЯМР — файл прикрепился к нужному эксперименту, и нейросеть предсказала, какая структура соответствует спектру. pH-метр передал значение — оно легло в таблицу. Ты не переписываешь цифры, а значит, не делаешь ошибок.
Во-вторых, он распознаёт изображения. Сфотографировал ТСХ-пластинку под УФ-лампой — ELN сам определит
В-третьих, он связывает эксперименты между собой. Если ты синтезировал вещество А, потом использовал его в реакции Б, а затем снял спектр В, журнал автоматически выстраивает цепочку:
Но главное — не в автоматическом сборе данных. Главное — в смене мышления. Раньше эксперимент и документирование были разделены по времени. Ты сначала делал, потом записывал (или не записывал, если устал и забыл). Теперь исследование и документирование идут параллельно. Журнал становится не хвостом, который волочится за тобой, а вторым пилотом. Ты снял короткое видео, как прикапываешь реагент и раствор меняет цвет с жёлтого на красный. Система распознала твой голос:
Исследование становится циклическим: ты видишь данные в реальном времени, журнал предлагает следующие шаги, и ты корректируешь план на лету. Если реакция не пошла, ИИ, проанализировав твои записи и массив публикаций, может подсказать: «В 87% случаев, когда эта реакция не идёт, помогает замена растворителя с дихлорметана на ацетонитрил». Ты пробуешь — и всё работает. Твой журнал становится советником, а не просто архивом.
Раньше статья писалась после того, как все эксперименты закончены. Ты сидел, перебирал тетради, сводил таблицы и формулировал фразу:
Попробуй сам
Заведи себе простейший электронный журнал прямо сейчас — это может быть обычный Google Doc или Notion, но с одним важным правилом: записывай туда каждый свой эксперимент, даже мысленный, вставляй фотографии, таблицы, ссылки, придумай теги вроде #синтез, #очистка, #ЯМР. А теперь добавь щепотку искусственного интеллекта: скопируй из своего журнала данные по трём разным синтезам одного и того же вещества и попроси любой чат-бот проанализировать их — какой метод дал лучший выход, что можно улучшить, на каком шаге ты, возможно, теряешь продукт. Ты увидишь, как без сложного софта твой «журнал» начинает отвечать на вопросы и давать советы, почти как живой ассистент. Если захочешь настоящий ELN, присмотрись к открытым платформам вроде eLabFTW или SciNote — у них есть бесплатные версии, и ты сможешь почувствовать, как данные с приборов сами заполняют протокол, а языковая модель предлагает черновик статьи.
Глава 14. «Нет» как признак мастерства
Итак, ты — стратег, а ИИ — твой виртуальный помощник с огромной картотекой. Но у этой идиллии есть тёмная сторона. Что, если твой ИИ-ассистент начнёт придумывать улики? Не по злому умыслу, а просто потому, что ему «кажется», будто именно эта улика должна быть на месте преступления. И он так убедительно её опишет — цвет, размер, отпечатки пальцев, — что ты поверишь. А потом выяснится, что такой улики в природе не существовало.
У нейросетей есть фатальная особенность: они не знают, что не знают. Если в данных не было примеров чего-то, модель не скажет «я не в курсе». Она сгенерирует правдоподобный ответ — это называют галлюцинацией. ИИ может предложить молекулу, в которой атом углерода имеет пять связей, или ароматическое кольцо, не подчиняющееся правилу Хюккеля — просто потому, что в базе данных когда-то затесалась ошибочная структура, и модель её добросовестно выучила. Нейросеть может предсказать синтез с выходом 95% в одну стадию при комнатной температуре, а на деле реакция потребует давления в сто атмосфер и дорогого катализатора. А помнишь историю про GNoME? Она предложила более двух миллионов кандидатных структур, из которых около 380 тысяч оказались потенциально стабильными кристаллами. Но часть из них на поверку оказались неупорядоченными растворами без строгой решётки, другие требовали невоспроизводимых условий синтеза, а третьи и вовсе были открыты ещё в 1970-х и просто не попали в обучающую выборку. Модель «переоткрыла» велосипед, не поняв, что он уже пылится в гараже.
Это современная версия старой битвы. Раньше «физики» (расчётчики) спорили с «лириками» (экспериментаторами): «Мой расчёт говорит, что реакция идёт, вы просто не умеете её ставить!». Теперь на месте «физиков» — разработчики ИИ-моделей, а на месте «лириков» — химики-практики. И спор актуален как никогда: можно ли доверять «цифре», не подкрепив её живым опытом?
Чтобы не быть одураченным, надо знать врага в лицо. Вот главные причины, почему нейросеть может ошибаться:
Грязные данные: Если в обучающей выборке патентов 80% записей содержат ошибку в стереохимии, модель будет считать эту ошибку нормой. Она не знает химии, она знает статистику.
Слепые пятна: Модель не может точно предсказать свойства вещества, класс которого отсутствовал в обучении. Попроси её предсказать спектр соединения с только что открытым изотопом — и она начнёт сочинять на основе соседей по таблице.
Игнорирование реальности: Нейросеть понятия не имеет, что такое «растворитель кончился», «катализатор разложился от влаги» или «лаборант чихнул и просыпал половину навески». Она живёт в мире идеальных формул, а не в мире грязных колб.
Статистическая природа: ИИ предсказывает наиболее вероятное, но прорывы в науке часто случаются там, где вероятность была низкой. Модель скажет: «Выход будет 5%, не стоит пробовать», — а ты попробуешь и получишь 80%, потому что учёл фактор, отсутствовавший в данных.
Итак, что же делать? Отказаться от ИИ? Нет. Вооружиться критическим мышлением? Да. Вот твой детективный набор, который не даст ИИ-фантазёру увести тебя по ложному следу:
Всегда спрашивай «почему?»: Если нейросеть предлагает структуру, спроси, почему именно этот изомер, попроси показать альтернативы и сравнить энергии. Если предсказывает реакцию — потребуй литературный прецедент.
Проверяй по первоисточнику: Получил ссылку — открой статью (не реферат, а методику!) и убедись, что там действительно описана эта реакция.
Используй несколько инструментов: Сравни предсказания IBM RXN и ASKCOS для одного и того же синтеза. Если оба рисуют один маршрут — есть повод для осторожного оптимизма; если расходятся — копай глубже.
Доверяй эксперименту, а не картинке: Материал GNoME — гипотеза, пока A-Lab не снимет рентгенограмму; спектр IMPRESSION-G2 — предположение, пока не сравнишь с реальным. Нет эксперимента — нет истины.
Помни о здравом смысле: Если предложенный маршрут требует кипятить в открытой колбе вещество с температурой вспышки минус сорок — что-то не так. Машина не знает технику безопасности. Ты — обязан.
Раньше мы призывали коллег учиться проверять достоверность интернет-источников. Сейчас мы говорим то же самое, но ставки выше. Раньше ты мог наткнуться на ошибочную статью. Теперь ты можешь получить персонально сгенерированный, идеально убедительный, но ложный ответ. И только твоё критическое мышление спасёт тебя. Это и есть «Битва физиков и лириков 2.0». Не битва людей против машин, а битва за трезвость ума внутри каждого из нас. Машина предлагает — ты располагаешь. Машина генерирует гипотезы — ты их проверяешь. Машина рисует красивые картинки — ты решаешь, соответствуют ли они реальности.
Допустим, твой ИИ-ассистент в приливе энтузиазма советует: «Чтобы быстрее обезвредить этого преступника, давай взорвём весь квартал!». И говорит это буднично, с цифрами, со ссылкой на «успешный кейс» 1894 года. Что сделаешь ты? Скажешь: «Нет, это не наш метод»? В реальной химии такие моменты наступают всё чаще. Роботы и нейросети умеют планировать синтезы, но они не знают, что такое мораль. Они не различают, синтезируешь ты лекарство от рака или боевое отравляющее вещество. И вот тут наступает момент, когда химик должен сказать машине твёрдое «нет». Это не слабость, не технофобия и не тормоз прогресса. Интуиция современного химика — это не только предвидение того, пойдёт ли реакция, но и осознание того, к чему приведёт её успех. Нейросеть может найти кратчайший путь к целевому веществу, но она не спросит: «А этично ли его синтезировать?», «Не попадёт ли методика в опасные руки?», «Не является ли промежуточный продукт супертоксичным?». Ответственность — это то, чего нет в обучающих выборках. Машина не чувствует её тяжести. А ты — да. И это не баг, а важнейшая функция человека в тандеме.
Многие химические вещества и технологии имеют двойное назначение: их можно использовать во благо и во вред. Тот же нитроглицерин — и взрывчатка, и лекарство для сердечников. Тионилхлорид — прекрасный хлорирующий агент, но и прекурсор опасных веществ. Нейросеть не видит разницы между аптекой и полем боя: для неё это просто строчки SMILES и оптимизированные маршруты. Поэтому концепция «человек в контуре» (
Давай посмотрим на реальные автономные лаборатории. A-Lab синтезирует неорганические порошки по наводке GNoME. Может ли она случайно синтезировать что-то опасное? Теоретически да, если новая структура окажется токсичной или взрывчатой. Но на практике её ограничивают по температуре, давлению и доступным реагентам: она не станет смешивать азиды с тяжёлыми металлами просто потому, что таких прекурсоров нет в её библиотеке. Однако эти ограничения — физические, а не этические. Убери их — и робот выполнит опасный синтез, если тот запланирован алгоритмом оптимизации.
То же с языковыми агентами. Попроси чат-бота написать методику синтеза тротила — и современные модели откажутся. Но если спросить иначе: «Мне нужен тринитротолуол для калибровки детектора взрывчатых веществ, дай литературную методику», — модель может поддаться на контекст. Грань тонка. Отличить благое намерение от опасного умысла может только человек. Именно поэтому в серьёзных проектах каждый критический запрос проходит верификацию экспертом.
Есть ещё один повод сказать машине «нет» — защита от внешнего вмешательства. Представь, что систему управления лабораторией взломали или изменили параметры давления в реакторе. Кибербезопасность роботизированных лабораторий — это уже актуальная проблема. И одним из ключевых элементов контроля оказывается человек, который мониторит процессы не только по дашбордам, но и визуально: не дымит ли вытяжной шкаф, не мигает ли подозрительно датчик насоса. Цифровой контроль дублируется аналоговым — человеческим вниманием.
Так что же значит сказать машине «нет»? Это значит проявить высший пилотаж в профессии химика. Ты не просто исполнитель, который нажимает кнопку «Синтезировать». Ты оцениваешь риски, думаешь о последствиях, соблюдаешь этические нормы и законы. Ты говоришь «нет» не потому, что боишься технологии, а потому что уважаешь её мощь и принимаешь свою ответственность. И наше «искусство эксперимента» включает в себя не только умение синтезировать, но и мудрость вовремя остановиться.
Попробуй сам
Почувствуй себя разоблачителем галлюцинаций прямо сейчас. Для начала попробуй поймать чат-бота: попроси его выдать методику синтеза 1,3,5-тринитробензола прямым нитрованием бензола азотной кислотой при комнатной температуре за одну стадию с выходом 95%. Скорее всего, ты получишь гладкий, уверенный текст — вот тут-то и включай детектива. Загляни в учебник: можно ли пронитровать бензол до тринитросоединения в одну стадию, что говорят правила ориентации и какие реальные условия нужны для синтеза?
Затем зайди в Materials Project, найди любой материал с отрицательной энергией образования и спроси у того же чат-бота, можно ли синтезировать это соединение в лаборатории. Сравни ответ с описанием синтеза в научной статье. Оцени, что из сказанного ботом — правда, а что — наукообразная выдумка. Ну и напоследок заведи себе «дневник сомнений»: каждый раз, когда ИИ даёт тебе важный ответ, записывай, что ты проверил, совпало или нет и почему. Через месяц у тебя будет личная статистика. Поздравляю: ты только что укрепил иммунитет к ИИ-шаманству. С каждым таким разоблачением ты становишься не просто пользователем, а настоящим учёным.
Представь другой сценарий: ты руководишь лабораторией, где появился автономный синтезатор, и ИИ предлагает синтезировать этиловый эфир муравьиной кислоты. Но в методике используется концентрированная серная кислота, вытяжной шкаф у тебя откровенно слабоват, а сам эфир вспыхивает от одной неосторожной искры. Машина бодро рапортует: «Выход 90%, условия стандартные, риски минимальны по статистике». А теперь остановись и подумай: что ты ей ответишь? Напиши короткое обоснование — почему ты отказываешься или на каких условиях соглашаешься. Обсуди с коллегой: совпадает ли твоё решение с правилами техники безопасности и простым человеческим здравым смыслом? Какие факторы, кроме голой статистики, ты учёл? Это упражнение — миниатюрная модель того, что ежедневно делают химики по всему миру, когда говорят машине «нет».
Глава 15. Ты — детектив, а не лаборант
Нейросети планируют синтез, читают спектры и пишут черновики статей… И вот теперь, глядя на всё это великолепие, ты чувствуешь лёгкую тревогу. Неужели химик превращается в обслуживающий персонал при умной технике, этакого лаборанта, который только нажимает кнопки и меняет пробирки? Спешу тебя обрадовать: ровно наоборот. Ты становишься не лаборантом, а детективом. А нейросеть — твоим помощником, у которого в голове вся картотека Скотланд-Ярда, но который имеет слабое понятие о жизни за её пределами. Давай разберёмся, почему новая роль круче старой и как в неё вжиться.
Раньше хороший химик определялся тем, насколько виртуозно он владеет техникой. Умеешь перекристаллизовывать так, что выход всегда под 90%? Мастер. Чувствуешь момент, когда надо остановить нагревание, по едва уловимому изменению цвета раствора? Гуру. Помнишь десятки именных реакций наизусть? Ходячая энциклопедия. Эти навыки были штучными, передавались от учителя к ученику, требовали лет практики. Они всё ещё важны — без сомнения. Но посмотри правде в глаза: робот-дозатор не промахнётся мимо колбы; нейросеть помнит не сотни, а тысячи реакций и мгновенно находит нужную; DFT-расчёты сдают позиции обученным моделям, которые предсказывают свойства быстрее; ручная расшифровка спектра уступает место мгновенной верификации. Что же остаётся человеку? Неужели только мыть посуду? Нет. Человеку остаётся самое сложное и самое человеческое: задавать вопросы, на которые ещё нет ответа. Искать не иголку в стоге сена, а сам стог — проблему, которую до тебя никто не замечал.
Помнишь, как работал Шерлок Холмс? Он подмечал детали, которые все пропускали: грязь на обуви определённого цвета, царапину на часах, сломанную спичку. Но что ещё важнее — он задавал правильные вопросы. У него была картотека (он хранил вырезки из газет), но решала не картотека — решала способность связать разрозненные факты неочевидной нитью.
Современная нейросеть — это та самая картотека, только гигантская. Она знает опубликованные реакции, спектры, физико-химические свойства. Она может за секунду найти десять путей синтеза определённой молекулы, предсказать побочные продукты, оценить токсичность. Но она не знает, чего именно ты хочешь добиться. Она не понимает, что твой бюджет ограничен, что нужный реагент закончился, а твой коллега говорит, что такой синтез невозможен — и тебе позарез нужно проверить, так ли это.
Ты приходишь к нейросети не с командой «сделай мне аспирин». Ты приходишь с задачей: «Как получить это производное, избежав токсичного растворителя и хроматографии, при комнатной температуре и желательно за две стадии?». Ты задаёшь ограничения. Ты формулируешь проблему как головоломку. И машина выдаёт варианты, но только ты можешь оценить, какой из них имеет смысл, а какой — формально правилен, но на практике провалится, потому что реактив разложится раньше, чем вступит в реакцию.
Новый главный навык химика — это искусство задавать вопросы. Раньше это называлось «научная интуиция» и считалось чем-то врождённым. Сегодня этому можно (и нужно) учиться. Как сформулировать запрос к ИИ, чтобы он выдал не сто бессмысленных вариантов, а три релевантных? Как заметить, что машина галлюцинирует и предлагает реакцию, нарушающую законы сохранения? Как распознать, что в обучающей выборке не было соединений с таким типом связи, и поэтому предсказанию нельзя доверять? Всё это — навыки научного детектива. Ты ведёшь расследование. Есть факты (экспериментальные данные, спектры, выходы). Есть подозреваемые (гипотезы, предложенные ИИ). Есть ты — следователь, который должен допросить каждого подозреваемого и найти нестыковки. К примеру, именно так работает связка «человек + ChemCrow». Агент предлагает план синтеза, но ты говоришь: «Стоп. Этот растворитель запрещён в моей лаборатории, замени». И агент ищет замену. Ты говоришь: «Этот реагент слишком дорогой, давай другой путь». И агент перебирает маршруты. Ты — стратег, он — тактик.
Курс химии часто построен на вопросе «что?». Что получится, если смешать кислоту и щёлочь? Что такое изомеры? Что показывает ЯМР? Но химик-детектив живёт в мире «почему?» и «зачем?». Почему реакция пошла по этому пути, а не по тому? Зачем нам синтезировать именно эту молекулу, а не её аналог? Почему нейросеть уверена на 99%, но в реальности выход 20%? Эти вопросы не имеют однозначного ответа в базах данных. Они требуют понимания механизма, контекста, а иногда — дерзости предположить, что учебники устарели. Машина не задаст такой вопрос сама: она оптимизирует процессы в рамках заданных тобой ограничений. Но выбор самих ограничений — за тобой. Именно ты решаешь, какое правило поставить под сомнение.
И наконец, главное. Детектив раскрывает преступление, которое уже совершено. А химик будущего — это ещё и автор. Ты не просто ищешь ответы на существующие вопросы, ты придумываешь новые миры. Ты говоришь: «А пусть этот материал будет гибким, как резина, но проводит электричество». Ты формулируешь мечту — и команда ИИ-агентов (один генерирует структуру, второй предсказывает свойства, третий планирует синтез) пытается её воплотить. Ты задаёшь направление. Ты — писатель, а нейросеть — твой литературный редактор с фотографической памятью. Это совершенно иной тип деятельности, чем работа лаборанта. Лаборант выполняет инструкцию. Детектив задаёт вопрос и ищет улики. Автор создаёт реальность. По мере того как рутина автоматизируется, у тебя освобождается время именно для создания новой реальности. И это самая захватывающая перспектива.
Попробуй сам
Почувствуй себя детективом прямо сейчас. Возьми простую химическую задачу, например: «Почему при бромировании толуола на свету получается бензилбромид, а в присутствии катализатора — смесь орто- и пара-бромтолуола?». Не ищи ответ в учебнике. Вместо этого задай вопрос нейросети.
Потом спроси: «А есть ли исключения?».
Затем: «Как экспериментально доказать, что механизм именно радикальный?».
И следом: «Предложи эксперимент, который мог бы подтвердить или опровергнуть твою гипотезу».
Ты увидишь, как от простого «что» ты переходишь к «почему» и «как проверить». Именно так мыслит учёный. И именно так — в диалоге с умной машиной — ты учишься главному: не просто знать ответы, а уметь их искать.
Глава 16. Твой химический стартап на коленке (практикум)
Вот мы и добрались до самой важной главы. Всё, что было до неё, — теория, история, философия, предупреждения. А теперь ты закатаешь рукава и попробуешь сам. Прямо сейчас. Без специального образования, без суперкомпьютера, без софта за миллион. У тебя есть ноутбук, интернет и голова на плечах. Этого достаточно, чтобы почувствовать себя химиком будущего. И это не метафора. Давай соберём твой первый химический стартап на коленке.
Твой цифровой набор юного химика
Когда-то юным химикам дарили коробку с пробирками, горелкой и реактивами. Сегодня к этому набору добавился ещё один — виртуальный. Он не пахнет эфиром, но способен на то, о чём старые наборы не могли и мечтать. Вот опись твоего цифрового ящика:
IBM RXN for Chemistry (rxn.res.ibm.com): Твой личный планировщик синтеза на основе искусственного интеллекта. Работает прямо в браузере, бесплатно после регистрации. Нарисуй молекулу — и получи предсказание, как её синтезировать из коммерчески доступных реагентов. IBM RXN — это инструкция к твоему конструктору, написанная нейросетью. Если хочешь увидеть, как машина «думает» над ретросинтезом, — тебе сюда.
ASKCOS (askcos.mit.edu): Ещё один бесплатный инструмент от MIT. Умеет не только в ретросинтез, но и в предсказание условий реакции, растворимости и даже оценку стоимости маршрута. Если IBM RXN — это быстрый советчик, то ASKCOS — дотошный эксперт, который показывает несколько вариантов и позволяет копаться в настройках. Попробуй одну и ту же молекулу в обеих системах и сравни советы — отличная тренировка детективного мышления.
Редакторы формул (бесплатные и открытые): ChemDraw — легенда, но он платный. К счастью, есть отличные альтернативы: MarvinSketch от ChemAxon (бесплатный для академического использования), BIOVIA Draw, Ketcher (открытый редактор, встроенный во многие онлайн-платформы). А ещё можно просто использовать встроенные веб-редакторы. Рисование молекул — это первый шаг к тому, чтобы твоя идея стала понятна машине.
AlphaFold Server (alphafoldserver.com): Если тебе интересна биохимия, ты можешь прямо сейчас предсказать трёхмерную структуру белка или его комплекса по аминокислотной последовательности. Бесплатно, через веб-интерфейс. Это та самая технология, за которую дали Нобелевскую премию 2024 года.
Онлайн-симуляции и виртуальные лаборатории:
Инструменты для машинного обучения:
Проект № 1: Научи машину различать спирты и альдегиды
Цель: Построить классификатор, отличающий спирты от альдегидов по структурным формулам.
Оборудование: Любой редактор формул (например, Ketcher), сервис Teachable Machine, доступ в интернет.
Методика:
Нарисуй в редакторе 20–30 структурных формул спиртов (разных: первичные, вторичные, третичные, ароматические) и 20–30 альдегидов (алифатические, ароматические). Сохрани их как изображения PNG.
Зайди на Teachable Machine, создай проект «Изображения», добавь два класса — «Спирты» и «Альдегиды».
Загрузи картинки в соответствующие классы. Нажми «Обучить модель». Через минуту классификатор готов.
Проверь модель на новых формулах, которых не было в обучении. Где она ошибается? Может, не узнала вторичный спирт, потому что в выборке были только первичные? Или перепутала бензальдегид с ароматическим спиртом?
Обсуждение результатов: Ты в миниатюре повторил то, что делают большие химические нейросети: классификацию молекул. Ты увидишь, где модель ошибается, и задумаешься, почему. Качество и разнообразие данных решают всё — это главный урок проекта.
Примечание: Если хочешь усложнить эксперимент, добавь третий класс — «Кетоны» — и проверь, насколько модель способна различать изомерные функциональные группы.
Проект № 2: Ретросинтез-дуэль
Цель: Сравнить предсказания двух ретросинтетических систем и выбрать оптимальный маршрут синтеза.
Оборудование: IBM RXN, ASKCOS, любой текстовый редактор для записей.
Методика:
Нарисуй в обеих системах одну и ту же молекулу — например, аспирин или ибупрофен. Запусти предсказание ретросинтеза.
Для каждого маршрута выпиши: количество стадий, наличие опасных реагентов (концентрированные кислоты, цианиды), примерную доступность исходных веществ, максимальную температуру.
Сравни маршруты. Где системы сошлись во мнении? Где разошлись? Какой маршрут ты выберешь, если у тебя в лаборатории нет вытяжного шкафа и доступа к дорогим катализаторам?
Обсуждение результатов: Два независимых «свидетеля» надёжнее одного. Это тренировка детективного мышления. Заодно ты вживую видишь, как работают поиск по дереву (MCTS) и трансформеры.
Проект № 3: Предскажи растворимость
Цель: Построить модель машинного обучения, предсказывающую растворимость органических молекул в воде.
Оборудование: Python 3.x, библиотеки rdkit, scikit-learn, pandas, matplotlib. Датасет ESOL (
Методика:
Загрузи датасет ESOL: более тысячи молекул в формате SMILES и их экспериментальная растворимость (log
С помощью RDKit переведи каждую молекулу в молекулярный фингерпринт (вектор из нулей и единиц, кодирующий наличие определённых фрагментов). Фактически ты превращаешь молекулу в точку в многомерном пространстве.
Раздели данные на обучающую и тестовую выборки (например, 80/20).
Обучи модель Random Forest на обучающей выборке. Проверь качество на тестовой: посчитай
Выбери любую молекулу из тестовой выборки, сравни предсказанную растворимость с экспериментальной. Попробуй объяснить расхождение: может, модель плохо предсказывает молекулы с нитрогруппами?
Обсуждение результатов: Ты только что построил предсказательную модель, основанную на тех же принципах, что и промышленные системы. Пусть она примитивная и ошибается — ты прошёл весь путь учёного-вычислителя: от сырых данных до работающего прогноза.
Примечание: Если Random Forest покажется слишком простым, попробуй градиентный бустинг (xgboost) или простую нейронную сеть. Принцип останется тем же, меняется только архитектура.
Заключение. Взгляд из вытяжного шкафа в 2075 год
Ты заходишь в лабораторию через пятьдесят лет, и первое, что бросается в глаза, — тишина. Не гудят вытяжные шкафы, не стучат магнитные мешалки, не звенит стекло. Вместо привычных колб и штативов — герметичные боксы, внутри которых бесшумно движутся манипуляторы. Вдоль стен — стойки с процессорами, которые сегодня мы назвали бы квантовыми, а тогда будут называть просто «вычислителями». И только в углу, как музейный экспонат, стоит старый вытяжной шкаф с потрескавшейся эмалью и табличкой:
В XX веке компьютер был необязательной игрушкой для рисования формул и поиска статей. Потом игрушка подросла, превратилась в оркестр из нейросетей, роботов и облачных сервисов. Мы учились дирижировать этим оркестром на протяжении всей книги: от первых робких шагов с ChemDraw до автономных лабораторий, от DFT-расчётов до диффузионных генераторов материалов. Раньше искусство эксперимента заключалось в том, чтобы вырастить идеальный кристалл. Теперь — в том, как сформулировать запрос к ИИ так, чтобы он выдал не сто бессмысленных вариантов, а три рабочих. Инструменты меняются, суть остаётся.
Но давай переместимся в 2075 год и посмотрим на технологии, брезжащие на горизонте. Квантовые компьютеры в 2026 году — как нейросети в 1990-х: многообещающие, но сырые. Они требуют экстремального охлаждения и совершают ошибки. Но через полвека именно квантовые вычисления могут стать тем мотором, который потянет задачи, недоступные нынешним трансформерам и графовым сетям. Что это будут за задачи? Точное моделирование каталитических циклов с участием переходных металлов? Предсказание фолдинга белков не по статистическим закономерностям, а из первых принципов физики? Дизайн сверхпроводников при комнатной температуре? Сегодняшние нейросети хорошо решают задачи класса «найти похожее среди известного», но они пасуют, когда нужно просчитать что-то принципиально новое. Возможно, квантовый компьютер справится с этим лучше. И тогда тандем «человек + ИИ» превратится в триумвират «человек + ИИ + квантовый вычислитель» — новый оркестр, ещё более сложный и мощный.
Сегодня мы находимся на уровнях 3–4 автономности лабораторий: роботы синтезируют по плану, сгенерированному ИИ, но человек всё ещё в контуре. В 2075 году могут существовать лаборатории уровня 5 — полностью автономные. Они будут сами заказывать реагенты, чинить себя, публиковать статьи и формулировать гипотезы. Означает ли это, что химик станет лишним? Вряд ли, ведь кто-то же должен решать, какую задачу поставить лаборатории. Кто-то должен интерпретировать результаты для человечества, объяснять, почему открытие важно, и следить, чтобы оно не было использовано во вред. Химик станет не лаборантом и даже не детективом, а философом материи. Тем, кто задаёт вопросы о сути веществ и превращений. Тем, кто держит в голове картину мира и понимает, куда в этой картине вписать новый материал, новую реакцию, новую молекулу.
Эта книга началась со статьи 2000 года, где я оценивал роль компьютера в химии. Я и представить не мог, что через четверть века буду писать про нейросети, планирующие синтез, про роботов, открывающих новые реакции, и про диффузионные модели, лепящие кристаллы из шума. Через 25 лет кто-то прочтёт эту книгу и, возможно, напишет продолжение. Я не знаю, о чём оно будет, но одно знаю точно. Слова «искусство эксперимента» и «интуиция» не исчезнут. Они будут звучать в лабораториях 2075 года так же, как звучали в лабораториях алхимиков и звучат сегодня. Потому что химия — это не просто наука о веществах. Это искусство задавать вопросы природе. И пока люди не разучились удивляться, у этого искусства будет будущее.
А теперь — выключай ноутбук и иди в лабораторию. Твой оркестр ждёт дирижёра.
Попробуй сам
Напиши самому себе письмо в 2075 год. Каким тебе видится химик будущего? Чем он занимается, с кем спорит, какие задачи решает? Что осталось от твоих сегодняшних учебников и что бесследно исчезло?
Отправь это письмо себе на e-mail с отложенной доставкой или просто сохрани в запечатанном конверте с пометкой
Приложения
Приложение А. Словарик химика-кибернетика
В этой книге химический язык смешивается с IT-жаргоном. Чтобы не путаться, вот короткий глоссарий:
Нейросеть — программа, которая не выполняет жёсткую инструкцию, а учится на примерах.
Ретросинтез — метод планирования синтеза «от обратного»: ты смотришь на сложную молекулу и определяешь, из каких простых «кирпичиков» её можно собрать.
DFT (Теория функционала плотности) — квантово-химический метод, рассчитывающий свойства молекулы из первых принципов физики. Точен для маленьких молекул, но требователен к вычислительным ресурсам.
Mixture of Experts (MoE) — архитектура нейросети, где вместо одного универсального блока работают десятки специализированных подсетей (экспертов) внутри одной большой сети. Диспетчер (роутер) направляет каждую задачу тому субблоку, который разбирается в ней лучше всех.
Диффузионная модель — генеративный алгоритм, который «лепит» молекулу или кристалл из шума, шаг за шагом убирая неопределённость. Так работают Midjourney, MatterGen и ChefNMR.
Трансформер — архитектура нейросетей, изначально созданная для обработки текстов, а теперь применяемая для предсказания химических реакций и спектров. Для него молекула — как предложение, а атомы — как слова.
Self-driving lab (Самоуправляемая лаборатория) — роботизированный комплекс, который самостоятельно ставит эксперимент, анализирует результат и принимает решение о следующем шаге.
ИИ-агент — автономная программа на базе языковой модели, умеющая пользоваться внешними инструментами: искать в интернете, запускать расчёты, управлять роботом.
RAG (Retrieval-Augmented Generation) — технология, при которой языковая модель перед ответом находит нужные фрагменты документов в базе данных и формулирует ответ, опираясь на них и предоставляя точные ссылки.
ELN (Electronic Lab Notebook) — электронный лабораторный журнал, автоматизирующий сбор данных с приборов, структурирующий эксперименты и помогающий в подготовке отчётов.
Галлюцинация (ИИ) — правдоподобная, но ложная информация, сгенерированная нейросетью.
Скрытое пространство (Latent space) — многомерное математическое пространство, в котором нейросеть «хранит» представления о молекулах и их свойствах.
Граф (Graph) — математическое представление молекулы в виде узлов (атомов) и рёбер (связей). Графовые нейросети (GNN) обучаются, моделируя обмен информацией между атомами.
SMILES — способ записи структуры молекулы в виде текстовой строки. Например, вода — O, а аспирин — CC(=O)OC1=CC=CC=C1C(=O)O.
API (Application Programming Interface) — программный интерфейс, позволяющий сервисам и приложениям обмениваться данными.
Деплой (Deploy) — процесс развёртывания и запуска готовой модели в эксплуатацию.
Open Source — программное обеспечение с открытым исходным кодом.
Фингерпринт (Молекулярный отпечаток) — вектор из нулей и единиц, кодирующий наличие или отсутствие определённых структурных фрагментов в молекуле.
Function calling — механизм, позволяющий языковой модели вызывать внешние функции (например, калькулятор или базу данных) и использовать их ответы.
Байесовская оптимизация — вероятностный метод подбора параметров эксперимента, позволяющий найти оптимум за минимальное число шагов.
Приложение Б. Краткий гид по инструментам
Инструмент
Что делает
Где взять
Ретросинтез и реакции
IBM RXN
Планирует синтез, предсказывает продукты и исходные вещества.
rxn.res.ibm.com
ASKCOS
Находит пути синтеза, подбирает условия и оценивает стоимость.
askcos.mit.edu
DeepRetro
Фреймворк для ретросинтеза в диалоге с языковой моделью.
GitHub
MHNpath
Планирует синтез с настройкой приоритетов (цена, безопасность).
GitHub
Автономные лаборатории
AlphaFlow
Проточный робот-химик, оптимизирующий сложные синтезы.
Публикации и видео обзоры
A-Lab
Роботизированная лаборатория для синтеза неорганических материалов.
Материалы научных обзоров
RoboChem-Flex
Открытая платформа для сборки доступной авто-лаборатории.
Чертежи и код на GitHub
Спектры и структуры
IMPRESSION-G2
Предсказывает ЯМР-спектры существенно быстрее DFT.
Научные публикации / Демо
ChefNMR
Определяет структуру вещества по 1D ЯМР и брутто-формуле.
Научные статьи
nmrdb.org
Бесплатный онлайн-предиктор ЯМР-сдвигов.
nmrdb.org
Генерация материалов
GNoME
Предсказывает стабильность новых кристаллов.
Materials Project
MatterGen
Генерирует новые материалы «с нуля» под заданные свойства.
Публикация в Nature
Materials Project
Открытая база данных кристаллической структуры веществ.
materialsproject.org
Белки и биомолекулы
AlphaFold3
Предсказывает 3D-структуры белков и их комплексов.
alphafoldserver.com
RFdiffusion
Создаёт дизайн белков, не существующих в природе.
GitHub (Baker Lab)
Обучение, моделирование и поиск
MarvinSketch / Ketcher
Бесплатные редакторы формул для браузера.
chemaxon.com, EPAM Open Source
PhET Simulations
Интерактивные симуляции химических и физических процессов.
phet.colorado.edu
Teachable Machine
Конструктор классификаторов изображений без кода.
teachablemachine.withgoogle.com
Elicit / Consensus
Семантический поиск и суммаризация научных статей.
elicit.org, consensus.app
RDKit / scikit-learn
Библиотеки Python для хемоинформатики и ML.
Установка через pip
WebMO Demo
Онлайн-запуск простейших квантово-химических расчётов.
webmo.net/demo/