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:

PhET Interactive Simulations (phet.colorado.edu) — симуляции по химии и физике; можно смешивать растворы, наблюдать за молекулами, менять температуру и давление.

ChemCollective (chemcollective.org) — виртуальная лаборатория, где можно проводить титрование, смешивать реагенты и анализировать результаты.

WebMO Demo (webmo.net/demo/) — если хочешь прощупать квантовую химию, не устанавливая тяжеловесных программ; запусти простейший расчёт и посмотри, как выглядит молекулярная орбиталь.

Инструменты для машинного обучения:

Teachable Machine от Google — бесплатный сервис, позволяющий обучать простые нейросети на картинках без единой строчки кода.

Python + RDKit + scikit-learn — набор для тех, кто хочет пойти дальше и построить настоящую предсказательную модель.

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 (Delaney solubility dataset) — находится в открытом доступе.

Методика:

Загрузи датасет ESOL: более тысячи молекул в формате SMILES и их экспериментальная растворимость (log S).

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 R² и среднюю абсолютную ошибку.

Выбери любую молекулу из тестовой выборки, сравни предсказанную растворимость с экспериментальной. Попробуй объяснить расхождение: может, модель плохо предсказывает молекулы с нитрогруппами?