Naukowcy opracowali nową metodę przewidywania właściwości molekularnych, opierając się na reprezentacji molekuł jako grafów i łącząc to z głębokim uczeniem maszynowym. Podejście to jest istotnym krokiem w kierunku automatyzacji odkrywania nowych materiałów i leków, bowiem pozwala modelom AI na zrozumienie struktury chemicznej poprzez topologię sieci atomów i wiązań między nimi.
Teoria grafów doskonale nadaje się do opisu molekuł - każdy atom stanowi wierzchołek grafu, a wiązania chemiczne reprezentowane są jako krawędzie. Tradycyjne podejścia wymagały ręcznego ekstrakcji cech i transformacji danych, co było czasochłonne i wymuszało na badaczach podejmowanie arbitralnych decyzji o tym, które właściwości są istotne. Nowy model eliminuje te ograniczenia, uczyć się bezpośrednio z surowych reprezentacji strukturalnych, jakie spotyka w danych treningowych.
Praktyczne zastosowania tej technologii mogą zmienić przemysł chemiczny i farmaceutyczny. Zamiast syntetyzować i badać fizykochemiczne każdy kandydat osobno, naukowcy mogą teraz używać modeli grafowych do selekcji najbardziej obiecujących cząsteczek, drastycznie redukując koszty i czas badań. Połączenie teorii grafów z sieciami neuronowymi to kierunek, w którym zmierza współczesna chemia obliczeniowa - bardziej efektywny, bardziej skalowany, a przede wszystkim otwierający nowe możliwości dla odkrycia.