Page 4 - No30

BEVEZETŐ

Olvasóinkhoz

A Nobel-díj Bizottság az elmúlt évben mind lehetőséget kínál a kémiai alkalmazásokra, Célkitűzés: Azonosítsa a kívánt
a Fizikai mind a Kémiai Nobel-díjat a például a spektroszkópiai elemzésekre, tulajdonságokkal rendelkező új anyagokat (pl.
mesterséges intelligencia neurális hálózatainak reakciók előrejelzésére, vagy elektrosztatikus katalizátorok, polimerek, félvezetők).
kidolgozásában végzett munkásságuk potenciálok elemzésére. Megközelítés: Nagy anyagadatbázisokon (pl.
elismeréseként ítélte oda a díjak nyerteseinek. Materials Project) kiképzett neurális hálózatok
A fizikai Nobel-díjat John J. Hopfield A mesterséges intelligencia kémiai a sávhézagok, a stabilitás stb. előrejelzésése.
(Princeton University, NJ, Egyesült Államok) alkalmazásának példáira álljanak itt magának 5. Spektroszkópia és szerkezeti elemzés
és Geoffrey E. Hinton (University of Toronto, a mesterséges intelligencia „egyszerű” Célkitűzés: Spektrális adatok (pl. NMR, IR,
Kanada) „olyan alapvető felfedezésekért és internetes verziójának (ChatGPT) a UV-Vis) értelmezése vagy spektrumok
találmányokért nyerték el, amelyek lehetővé szerkesztőségünk által feltett kérdésekre adott előrejelzése molekuláris szerkezetek alapján.
teszik a gépi tanulást”. John Hopefild válaszai. Felhasználási eset: Felgyorsítja a szerkezeti
kidolgozta a minták alapján tanuló neurális Kérdés: Tudnál egy összefoglalót tisztázást és jellemzést.
hálózatok felügyelt gépi tanulásának készíteni a neurális hálózatok kémiai 6. Gyógyszerkutatás
algoritmusát, Geoffrey E. Hinton pedig alkalmazásairól? Célkitűzés: A bioaktivitás előrejelzése, az
megalkotta a felügyelet nélküli tanulás ChatGPT válasza: ólomvegyületek optimalizálása és a gyógyszer-
algoritmusát, mely képes önállóan A neurális hálózatokat egyre gyakrabban cél kölcsönhatások modellezése.
tulajdonságokat találni az adatokban, és így használják a kémiában összetett kémiai Megközelítés: Mély tanulás használata
olyan feladatokat végezni, mint például a jelenségek modellezésére, előrejelzésére és virtuális szűréshez, molekuláris dokkoláshoz
képek jellemző mintázatainak azonosítása. elemzésére. Íme egy tömör összefoglaló a főbb és de novo gyógyszertervezéshez.
(KP No29) alkalmazásaikról: Szeretne vizuális összefoglalót vagy példákat a
A Kémiai Nobel-díjat David Baker 1. Molekuláris tulajdonságok előrejelzése használt modellekre?
(University of Washington, Seattle, WA, Célkitűzés: A molekulák fizikai, kémiai vagy Kérdés:
Egyesült Államok), Demis Hassabis biológiai tulajdonságainak előrejelzése (pl. Tudnál készíteni egy összefoglaló képet
(Google DeepMind, London, Egyesült oldhatóság, toxicitás, reakcióképesség). a kémiai alkalmazásokról?
Királyság), és John Jumper (Google Eszközök: Gráf neurális hálózatok (GNN-ek), ChatGPT:
DeepMind, London, Egyesült Királyság) üzenettovábbító neurális hálózatok (MPNN- Image created
nyerték el a mesterséges neurális hálózatok ek) és transzformátorok.
kétféle kémiai alkalmazásáért. „2003-ban Bemenet: SMILES karakterláncok, grafikonok
David Bakernek a természetben nem létező vagy 3D konformációk formájában ábrázolt
globuláris (gombolyag-szerű) fehérjéket molekuláris struktúrák.
sikerült felépíteni a neurális hálózati 2. Kvantumkémia és molekuláris szimuláció
algoritmussal. Azóta kutatócsoportja egyik Célkitűzés: A kvantummechanikai
fehérjealkotást a másik után hozta létre, tulajdonságok (pl. energiák, erők,
beleértve a gyógyszerekként, vakcinaként, elektronsűrűség) közelítése sokkal gyorsabban,
nanoanyagokként és apró szenzorként mint a hagyományos módszerek, például a
felhasználható fehérjéket.” DFT.
Demis Hassabis és John Jumper pedig Példák: DeepMind DeepMind21, SchNet,
2020-ban egy neurális hálózati modellt PhysNet.
(AlphaFold2) fejlesztettek ki, amelynek a Előny: Jelentősen csökkenti a
segítségével előre jelezhető a természetes kvantumpontosságú szimulációk számítási
fehérjék háromdimenziós szerkezete. „Az eltelt költségeit.
időben az AlphaFold2-t 190 ország több mint 3. Reakció előrejelzés és retroszintézis
kétmillió embere használta. Az MI modell Célkitűzés: Kémiai reakciók termékeinek
segítségével a kutatók ma már jobban előrejelzése vagy szintetikus útvonalak
megérthetik az antibiotikum-rezisztenciát, és javaslata a célmolekulákhoz.
képeket készíthetnek például olyan Módszerek: Szekvencia-szekvencia modellek, A magazin jelen számában a mesterséges
enzimekről, amelyek képesek lebontani a gráf alapú megközelítések. neurális hálózatok algoritmusaival, a
műanyagot”. Alkalmazások: Gyógyszerfejlesztés, következő számokban ezek néhány kémiai
A díjazottak munkásságára alapozva a anyagtervezés, szerves szintézis tervezése. alkalmazásával szeretnénk megismertetni
mesterséges intelligencia ma már számos 4. Anyagok felfedezése Olvasóinkat. Szerkesztőség

4 KÉMIAI PANORÁMA 30. SZÁM, 2025. ÉVFOLYAM