Zebranie naukowe 13.04.2026 – mgr Arkadiusz Leniak

Widma NMR jako nośnik informacji w predykcji właściwości związków chemicznych we wczesnym etapie odkrywania leków

Wykład przedstawia rozwój koncepcji SpectraPRINT – spektralnej reprezentacji molekularnej opartej na jednowymiarowych widmach NMR – od wstępnej hipotezy metodologicznej po jej implementację w formie ogólnodostępnej platformy webowej. Punktem wyjścia była potrzeba uzyskiwania wiarygodnych predykcji właściwości fizykochemicznych związków chemicznych na wczesnych etapach odkrywania leków, gdzie parametry takie jak lipofilowość, rozpuszczalność czy stopień jonizacji determinują biodostępność, stabilność oraz dalszą przydatność kandydatów do rozwoju. Mimo intensywnego rozwoju algorytmów uczenia maszynowego, jakość predykcji wielu z tych właściwości pozostawała ograniczona przez charakter klasycznych deskryptorów strukturalnych, opartych głównie na topologii cząsteczki. Zaproponowano zatem wykorzystanie widm NMR jako alternatywnego źródła informacji o cząsteczkach, zawierającego dane dotyczące lokalnego środowiska elektronowego i efektów konformacyjnych, a następnie ich transformację do postaci wektorowej możliwej do użycia w modelach predykcyjnych.

Wykład prezentuje systematyczną ewolucję podejścia: od modeli opartych na eksperymentalnych widmach ¹H NMR i klasycznych algorytmach uczenia maszynowego, przez w pełni obliczeniowe reprezentacje spektralne generowane in silico, aż po integrację informacji z widm ¹H i ¹³C oraz ich połączenie z deskryptorami strukturalnymi. Wykazano, że reprezentacje spektralne stanowią źródło informacji predykcyjnie istotnej i w dużej mierze nieredundantnej względem klasycznych fingerprintów molekularnych, a ich integracja prowadzi do wyraźnej poprawy jakości predykcji właściwości fizykochemicznych istotnych w projektowaniu związków biologicznie aktywnych. Rozwój reprezentacji danych był równolegle wspierany przez przejście od klasycznych modeli uczenia maszynowego do architektur neuronowych dostosowanych do analizy danych spektralnych.

Kulminacją prac było opracowanie spójnego pipeline’u obliczeniowego oraz jego implementacja w formie publicznie dostępnej platformy internetowej umożliwiającej generowanie reprezentacji SpectraPRINT i predykcję właściwości cząsteczek w oparciu o widma NMR generowane in silico. Wykład przedstawia pełną ścieżkę rozwoju tej koncepcji – od wstępnego dowodu słuszności założeń, przez walidację metodologiczną i rozszerzanie reprezentacji danych, aż po wdrożenie narzędzia aplikacyjnego wspierającego wczesne etapy projektowania związków o potencjale biologicznym.

Literatura:

1. A. Leniak, W. Pietruś, R. Kurczab, “From NMR to AI: Designing a Novel Chemical Representation to Enhance Machine Learning Predictions of Physicochemical Properties” J Chem Inf Model 2024, 64, 3302–3321.     https://doi.org/10.1021/acs.jcim.3c02039
2. A. Leniak, W. Pietruś, A. Świderska, R. Kurczab, “From NMR to AI: Do We Need ¹H NMR Experimental Spectra to Obtain High-Quality logD Prediction Models?” J Chem Inf Model 2025, 65, 2924–2939.  https://doi.org/10.1021/acs.jcim.4c02145
3. A. Leniak, W. Pietruś, R. Kurczab, “From NMR to AI: Fusing ¹H and ¹³C Representations for Enhanced QSPR Modeling” J Chem Inf Model 2025, 65, 10323–10337.   https://doi.org/10.1021/acs.jcim.5c01791
4. W. Pietruś, A. Leniak, R. Kurczab, „NMR-AI: An Open Platform for NMR-Enhanced Molecular Representations and Physicochemical Property Prediction.” (submitted)
5. Portal NMR-AI https://cheminformaticsportal.if-pan.krakow.pl/