Классификация применения искусственного интеллекта в химии: от автоматизации к цифровому научному мышлению

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Предложена трехуровневая классификация применения искусственного интеллекта (ИИ) в химических науках, отражающая возрастающую степень вовлеченности технологий в научный и производственный процессы: от автоматизации рутинных задач (уровень ИИ-ассистент), к созданию специализированных аналитических решений для обработки экспериментальных данных (уровень ИИ-аналитик) и далее к перспективе интеллектуальных систем, способных формировать научные гипотезы и проектировать вещества и процессы (уровень ИИ-исследователь). Представленная классификация может служить основой для формирования дорожных карт цифровой трансформации химических наук, а также для реализации программ научно-технологического развития в рамках приоритетных направлений. Впервые вводится термин «технология-участник» как обозначение новой формы взаимодействия человека и ИИ, при которой цифровая система становится частью научного процесса, а не просто инструментом.

Полный текст

Доступ закрыт

Об авторах

Валентин Павлович Анаников

Институт органической химии им. Н. Д. Зелинского РАН

Автор, ответственный за переписку.
Email: val@ioc.ac.ru
ORCID iD: 0000-0002-6447-557X

aкадемик РАН, доктор химических наук

Россия, Москва

Список литературы

  1. Ananikov V. P. Top 20 Influential AI-Based Technologies in Chemistry. Art. Int. Chem. 2024; 2(2): 100075. https://doi.org/10.1016/j.aichem.2024.100075.
  2. Ding H., Hua P., Huang Z. Survey on Recent Progress of AI for Chemistry: Methods, Applications, and Opportunities. arXiv, 2025; arXiv:2502.17456. https://doi.org/10.48550/arXiv.2502.17456.
  3. Berber S., Brückner M., Maurer N., Huwer J. Artificial Intelligence in Chemistry Research–Implications for Teaching and Learning. J. Chem. Educ. 2025; 102(4): 1445–1456. https://doi.org/10.1021/acs.jchemed.4c01033.
  4. Dabas R. Twenty Ways AI is Advancing Chemistry. Chemistry World, 17 October 2024. 28.05.2025. URL: https://www.chemistryworld.com/news/twenty-ways-ai-is-advancing-chemistry/4020269.article.
  5. Ramos M. C., Collison C. J., White A. D. A Review of Large Language Models and Autonomous Agents in Chemistry. Chem. Sci. 2025; 16:2514–2572. https://doi.org/10.1039/D4SC03921A.
  6. Kumar A., Zavala V. M. Editorial for the AI/ML in Chemical Engineering Special Issue. Ind. Eng. Chem. Res. 2025; 64(19): 9441–9442. https://pubs.acs.org/doi/10.1021/acs.iecr.5c01582.
  7. Romagnoli J. A., Briceño-Mena L., Manee V. AI in Chemical Engineering. Edition 1, CRC Press, Boca Raton, 2024, 308 p. https://doi.org/10.1201/9781003455905.
  8. Caccavale F., Gargalo C. L., Kager J., Larsen S., Gernaey K. V., Krühne U. ChatGMP: A Case of AI Chatbots in Chemical Engineering Education Towards the Automation of Repetitive Tasks. Comput. Educ.: Artif. Intell. 2025; 8: 100354. https://doi.org/10.1016/j.caeai.2024.100354.
  9. Ghasemlou M., Nguyen H. C., Talekar S., Pfeffer F. M., Barrow C. J. Artificial Intelligence (AI) for More Sustainable Chemistry and a Greener Future. ACS Sustain. Chem. Eng. 2025; 13: 3830–3833. https://doi.org/10.1021/acssuschemeng.5c00853.
  10. Artificial Intelligence for Chemical Sciences, ed. Kulkarni S., Bhandari S., Varshney D., William P., Apple Academic Press, New York, 2025. 414 p. https://doi.org/10.1201/9781003569282.
  11. Yuan M., Guo Q., Wang Y. The Current Research Status and Prospects of AI in Chemical Science. Prog. Nat. Sci.: Mater. Int. 2024; 34: 859–872. https://doi.org/10.1016/j.pnsc.2024.08.003.
  12. Vu V.-H., Bui K.-H., Dang K. D. D., Duong-Tuan M., Le D. D., Nguyen-Dang T. Finding Environmental-Friendly Chemical Synthesis with AI and High-Throughput Robotics. J. Sci.: Adv. Mater. Devices. 2025; 10(1): 100818. https://doi.org/10.1016/j.jsamd.2024.100818.
  13. Bienstock R. J. AI/ML Methodologies and the Future-will They be Successful in Designing the Next Generation of New Chemical Entities? J. Cheminform. 2025; 17, 46. https://doi.org/10.1186/s13321-025-00995-5.
  14. Ishida S., Sato T., Honma T., Terayama K. Large Language Models Open New Way of AI-Assisted Molecule Design for Chemists. J. Cheminform. 2025; 17, 36. https://doi.org/10.1186/s13321-025-00984-8.
  15. Han R., Yoon H., Kim G., Lee H., Lee Y. Revolutionizing Medicinal Chemistry: The Application of Artificial Intelligence (AI) in Early Drug Discovery. Pharmaceuticals. 2023; 16(9): 1259. https://doi.org/10.3390/ph16091259.
  16. Liu C., Chen Y., Mo F. Transforming Organic Chemistry Research Paradigms: Moving From Manual Efforts to the intersection of Automation and Artificial Intelligence, arXiv. 2023; arXiv:2312.00808. https://doi.org/10.48550/arXiv.2312.00808.
  17. Boiko D. A., MacKnight R., Kline B., Gomes G. Autonomous Chemical Research with Large Language Models. Nature. 2023; 624: 570–578. https://doi.org/10.1038/s41586-023-06792-0.
  18. Song T., Luo M., Zhang X., Chen L., Huang Y., Cao J. et al. A Multiagent-Driven Robotic AI Chemist Enabling Autonomous Chemical Research on Demand. J. Am. Chem. Soc. 2025; 147(15):12534–12545. https://doi.org/10.1021/jacs.4c17738.
  19. Ma K. AI agents in chemical research: GVIM – an intelligent research assistant system. Digit. Discov. 2025; 4: 355-375. https://doi.org/10.1039/D4DD00398E.
  20. Eremin D. B., Galushko A. S., Boiko D. A., Pentsak E. O., Chistyakov I. V., Ananikov V. P. Toward Totally Defined Nanocatalysis: Deep Learning Reveals the Extraordinary Activity of Single Pd/C Particles. J. Am. Chem. Soc. 2022; 144(13): 6071–6079. https://doi.org/10.1021/jacs.2c01283.
  21. Boiko D. A., Kozlov K. S., Burykina J. V., Ilyushenkova V. V., Ananikov V. P. Fully Automated Unconstrained Analysis of High-Resolution Mass Spectrometry Data with Machine Learning. J. Am. Chem. Soc. 2022; 144(32): 14590–14606. https://doi.org/10.1021/jacs.2c03631.
  22. Kozlov K. S., Boiko D. A., Detusheva E. V., Detushev K. V., Pentsak E. O., Vereshchagin A. N., Ananikov V. P. Digital Biology Approach for Macroscale Studies of Biofilm Growth and Biocide Effects with Electron Microscopy. Dig. Discov. 2023; 2: 1522–1539. https://doi.org/10.1039/D3DD00048F.
  23. Daniel T., Xuan J. Responsible Use of Generative AI in Chemical Engineering. Digit. Chem. Eng. 2024; 12: 100168. https://doi.org/10.1016/j.dche.2024.100168.
  24. Yuan Y., Chaffart D., Wu T., Zhu J. Transparency: The Missing Link to Boosting AI Transformations in Chemical Engineering. Engineering. 2024; 39, 45–60. https://doi.org/10.1016/j.eng.2023.11.024.
  25. Ruff E. F., Zemke J. M. O. Discussing the Ethics of Professional AI Use in Undergraduate Chemistry Courses. J. Chem. Educ. 2025; 102(4): 1457–1464. https://doi.org/10.1021/acs.jchemed.4c01038.
  26. Guo T., Guo K., Nan B., Liang Z., Guo Z., Chawla N. V., Wiest O., Zhang X. What Can Large Language Models Do in Chemistry? A Comprehensive Benchmark on Eight Tasks. arXiv, 2023; arXiv:2305.18365. https://doi.org/10.48550/arXiv.2305.18365.
  27. Zimmermann Y., Bazgir A., Al-Feghali A. et al. 34 Examples of LLM Applications in Materials Science and Chemistry: Towards Automation, Assistants, Agents, and Accelerated Scientific Discovery. arXiv, 2025; arXiv:2505.03049. https://doi.org/10.48550/arXiv.2505.03049.
  28. Han Y., Wan Z., Chen L., Yu K., Chen X. From Generalist to Specialist: A Survey of Large Language Models for Chemistry. arXiv, 2024; arXiv:2412.19994. https://doi.org/10.48550/arXiv.2412.19994.
  29. Jablonka K. M., Ai Q., Al-Feghali A. et al. 14 Examples of How LLMs Can Transform Materials Science and Chemistry: a Reflection on a Large Language Model Hackathon. Digit. Discov. 2023; 2: 1233–1250. https://doi.org/10.1039/D3DD00113J.
  30. Tyrin A. S., Boiko D. A., Kolomoets N. I., Ananikov V. P. Digitization of Molecular Complexity with Machine Learning. Chem. Sci. 2025; 16: 6895–6908. https://doi.org/10.1039/D4SC07320G.
  31. Kozlov K. S., Boiko D. A., Burykina J. V., Ilyushenkova V. V., Kostyukovich A.Yu., Patil E. D., Ananikov V. P. Discovering Organic Reactions with a Machine-Learning-Powered Deciphering of Tera-Scale Mass Spectrometry Data. Nat. Commun. 2025; 16: 2587. https://doi.org/10.1038/s41467-025-56905-8.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Взаимосвязь различных сценариев цифрового развития химии и изменение глубины трансформации науки и темпов накопления новых знаний в зависимости от выбранной стратегии цифровизации. Воспроизводится из статьи [1] по лицензии CC BY 4.0

Скачать (576KB)
Метаданные
3. Рис. 2. Исследование биопленок с использованием СЭМ: a – процесс подготовки данных для обучения нейросети; б – примеры аннотированных данных на различных изображениях; в – биопленки S. aureus ATCC 6538: биопленка, полученная после 24 ч инкубации на поверхности плотной питательной среды (слева); биопленка после 72 ч инкубации (справа); г – динамика формирования биопленки S. aureus с отображением статистики по площадям: клетки, матрикс, каналы и зоны без клеток; результаты получены с использованием нейросети для сегментации изображений на базе архитектуры U-Net. Воспроизводится из статьи [22] по лицензии CC BY 3.0

Скачать (761KB)
Метаданные
4. Рис. 3. Различия в подходах человека и природы к синтезу сложных молекул с точки зрения молекулярной сложности: a – график зависимости молекулярной сложности от метода синтеза

Скачать (373KB)
Метаданные
5. Рис. 3. Различия в подходах человека и природы к синтезу сложных молекул с точки зрения молекулярной сложности: б – варьирование молекулярной сложности химических соединений; в – сравнение синтетических подходов человека и природы. Воспроизводится из статьи [30] по лицензии CC BY 3.0

Скачать (526KB)
Метаданные
6. Рис. 4. Интеграция ИИ-исследователя в химии: исторически сложившаяся практика (а) и генерация гипотез с использованием ИИ на основе ранее проведенных экспериментов (б). Воспроизводится из статьи [31] по лицензии CC BY 4.0

Скачать (637KB)
Метаданные

© Анаников В.П., 2025