Новая эпоха в химии: от ИИ-помощников до 3D-печати. Интервью с академиком Валентином Ананиковым

Технологии меняют мир, и наука не исключение. Химия — яркий пример сферы, заигравшей новыми красками с внедрением инноваций. Здесь исследователи могут воспользоваться помощью искусственного интеллекта при поиске новой реакции или самостоятельно спроектировать и распечатать на 3D-принтере реактор для экспериментов. Эти разработки активно развиваются и применяются в одном из мозговых центров отечественной науки — лаборатории металлокомплексных и наноразмерных катализаторов Института органической химии им. Н.Д. Зелинского РАН. Какие возможности ИИ дает исследователям и о чем важно помнить при его использовании? Для чего нужен созданный в лаборатории цифровой соэксперт и какое открытие он помог совершить своим создателям? В чем преимущество печати химических реакторов на 3D-принтере? Какая область химических исследований заслуживает Нобелевской премии? О создании ИИ-алгоритмов для решения химических задач, новом подходе к изучению бактериальных биопленок, 3D-печати капсул для опасных реактивов и многом другом корреспонденту «Научной России» рассказывает заведующий лабораторией металлокомплексных и наноразмерных катализаторов ИОХ РАН академик Валентин Павлович Анаников.

— Как, по вашим наблюдениям, менялась химическая наука с развитием цифровых технологий? Какие инновации стали по-настоящему революционными и какие сегодня есть возможности у химиков, которых раньше не было в принципе?

— Первый заметный цифровой след в химии проявился на рубеже 2000-х гг. Появились программы, анализировавшие химические реакции и осуществлявшие поисковые запросы. По сути, это были первые базы данных.

Сейчас мы находимся в библиотеке ИОХ РАН и нас окружают тома Chemical Abstract Service. Это очень символично. В этих томах приведены списки молекул, синтезированных человеком, и ссылки на статьи, где они были описаны. Но их количество огромно: к настоящему времени человечество синтезировало порядка 100 млн различных молекул. Такой колоссальный объем информации нужно где-то хранить. Раньше она выпускалась в этих томах в следующем виде: молекула, ссылка на статью, краткое изложение соответствующего научного материала. Примерно в период с 1995 по 2000 г. все это стало превращаться в электронные базы данных. Как мы понимаем сейчас, это был первый предвестник цифровых технологий. На компьютере можно было набрать формулу, и из базы данных извлекалась информация, в какой статье и в каком журнале была описана эта молекула. Во многом это поражало воображение, поскольку раньше подобную информацию приходилось искать вручную. Здесь, в библиотеке, есть множество журналов, которые я, поступив в аспирантуру ИОХ РАН в 1996 г., читал именно в бумажном формате. 

Цифровая эпоха стремительно развивалась. К 2010 г. мы уже располагали полнотекстовой базой данных с возможностью структурного поиска информации и даже поиска спектров интересующих молекул. Это был второй этап цифрового развития в химии. Тогда вектор цифровизации химической науки еще не прослеживался в полной мере и исследователи не представляли себе, к чему мы придем к настоящему времени.

После 2020 г. началась новая волна внедрения ИИ — как мы говорим, эпоха «искусственного интеллекта для…». Это третья цифровая волна в химии за последние 25 лет, коренным образом изменившая наш подход к проведению исследований. Теперь мы можем не только структурировать, но и создавать новые химические знания с помощью цифровых технологий. Мы вступили в эпоху трансформации знаний машинным путем.

— Недавно вы продемонстрировали работу цифрового соэксперта, который помог искать новые химические реакции. Расскажите об этой технологии и о самом цифровом ассистенте. Можно ли в этом случае сказать, что ИИ становится участником научного поиска, но не автором научного результата?

— Все началось с того, что мы проводили специальное исследование, чтобы ответить на вопрос: когда ИИ сможет физически заменить химика в лабораторной работе? Хотя формулировка темы кажется очень футуристической, эта проблема чрезвычайно важна — от нее зависит, как будет выполняться научная работа в будущем. И речь не только о нашей лаборатории или отдельно взятом институте. Это вопрос национального технологического суверенитета. Развитие химических технологий, создание новых методов химической промышленности — ключевые элементы национальной безопасности страны. Если нас действительно ждет принципиальное изменение характера научных исследований, мы должны быть готовы к этому заранее. Мы провели детальный анализ и опубликовали работу с одноименным названием, показав, что в ближайшие пять-семь лет не предполагается физическая замена исследователя в лаборатории на ИИ. Это связано как с некоторыми методическими ограничениями, так и с недостаточным для решения подобных задач развитием робототехники.

Исходя из этого, мы проработали другую концепцию. Стало понятно, что не стоит переводить поставленный вопрос в плоскость конкуренции: кто кого заменит и кто у кого выиграет. Нужно прагматично и грамотно выстроить траекторию использования цифровых инструментов в химии, основанную на совместной деятельности с ИИ. Так возникла технология цифрового соэксперта. В этом случае рабочий процесс разбивается на ряд этапов. И те из них, которые критичны по срокам (с которыми человек справляется очень медленно) или требуют больших временных или финансовых ресурсов, совершенствуются и ускоряются с применением цифровых технологий. Но человек остается во всей цепочке рабочего процесса: на стадиях формулировки задачи, выбора инструментов, создания и разработки цифровых соэкспертов и проверки результатов. Ключевой момент — этап проверки результатов, который в настоящее время обязательно должен оставаться за человеком. 

Мы успешно отработали технологию цифрового соэксперта на примере поиска новых реакций. Как выглядит этот процесс? Вы формулируете задачу: синтез определенной молекулы. Это могут быть предшественник лекарственного препарата, основа для агрохимического вещества или компонент нового материала. Обычно от формулирования задачи до успешного проведения нужной реакции с требуемыми параметрами проходит от одного года до трех лет. Это стандартный срок для поиска и оптимизации условий химической реакции. Мы проанализировали, из каких этапов состоит этот процесс, и за счет применения цифрового соэксперта на критичных по времени стадиях смогли найти новую реакцию примерно за две недели. В этом случае одна неделя затрачивается на совместную деятельность человека и цифрового соэксперта по ускоренной обработке массива данных и поиску нужной реакции. Вторая неделя уходит на то, чтобы поставить эту реакцию и убедиться, что она действительно имеет место.

Нам, химикам, повезло в том, что у нас есть практика как критерий истины. В ряде областей предсказания, полученные с помощью цифровых алгоритмов, включая ИИ, довольно тяжело проверять. Для нас задача упрощается, потому что мы можем поставить химическую реакцию и сразу проверить, идет ли она, обладает ли новый катализатор нужными свойствами, есть ли у полученной молекулы требуемые физико-химические характеристики и т.п.

Итак, вместо долгого, нудного и тяжелого трехлетнего поиска химической реакции мы переходим к двум неделям цифрового поиска и экспериментальной проверки. Это один из самых успешных примеров применения цифрового соэксперта. Наша работа была опубликована в рейтинговом журнале и получила высокую международную оценку. Сейчас эта технология активно развивается.

Не надо думать, когда ИИ заменит химика, тем более что в ближайшие пять лет исследователи могут в принципе об этом не беспокоиться. Надо размышлять, как грамотно использовать ИИ, чтобы ускорить труд исследователя в лаборатории, и учиться правильно применять подобные инструменты. Это текущая методологическая база. ИИ не заменит химика, но химик, умеющий пользоваться ИИ, быстро заменит того, кто не успеет вовремя освоить эту технологию. И с этой мыслью тоже надо свыкаться. 

— Какой области касалась новая реакция, которую удалось открыть?

— Это классическая реакция циклоприсоединения, или так называемая реакция Дильса — Альдера. За нее в свое время была присуждена Нобелевская премия. В этой одностадийной реакции новая молекула создается из простых компонентов путем их присоединения друг к другу и формирования химического цикла.

Подобные реакции очень востребованы. Они активно используются в современном тонком органическом синтезе, и огромное количество промышленных полупродуктов, фармацевтических субстанций, биологически активных веществ синтезируются именно этим путем.

— Насколько я понимаю, результаты, которые мы только что обсудили, — не единственная разработка вашей команды, полученная с использованием ИИ. Какие другие подобные исследования вам хотелось бы отметить?

— У нас есть целое направление, связанное с ускорением аналитической обработки. Например, аспирант за четыре года диссертационной работы ставит тысячи экспериментов. Электронные микроскопы и масс-спектрометры регистрируют множество изображений и спектров. Зададим себе вопрос: какой процент этих данных человек успевает обдумать? Наше исследование показало, что человек анализирует около 10% получаемой им научной информации. 90% экспериментальных данных никогда не обрабатываются, поскольку исследователь просто физически не успевает это сделать. 

Например, прибор, определяющий физико-химические характеристики реакции, — масс-спектрометр с ионизацией электрораспылением — за восемь часов работы регистрирует объем данных, ручная обработка которого человеком займет около четырех лет. (Ручная обработка — это стандартная обработка с использованием любых компьютерных программ, но без применения ИИ.) Мы не обладаем такими ресурсами. Даже если собрать большие команды и получить достаточное количество финансирования, процент обработки данных все равно будет небольшим. Это одна из важнейших актуальных проблем не только в химии: около 90% экспериментальных данных не обрабатываются и во многих других естественных науках.

Мы пытаемся решить этот вопрос уже более двух десятилетий, но смогли приблизиться к результату только с появлением искусственных нейронных сетей. Мы запрограммировали нейросети на обработку данных. Они выполняют действия, похожие на то, что делает человек, но справляются с этим гораздо быстрее. Мы одними из первых в мире выполнили автоматизированный анализ данных масс-спектрометрии, а также разработали нейросеть для ускорения анализа изображений, полученных на электронном микроскопе, чему также посвятили серию статей. И то, на что у человека уходят четыре года ручной работы, нейронная сеть (после программирования, тренировки и обязательной проверки) делает менее чем за час. Обработка данных ускоряется в десятки тысяч раз.

Первое, что дает применение нейронных сетей в химии, — это именно ускорение анализа данных. И, как шутят исследователи, джинн уже вылетел из бутылки: обработку, на которую у человека ушли бы годы, теперь можно выполнить за чрезвычайно короткий срок. Эффективность этих инструментов очень высока.

Подчеркну, что нейросети должны оставаться надежными. Цифровые алгоритмы необходимо проверить на количество содержащихся в них ошибок. По нашим оценкам, применяемые нами нейронные сети допускают примерно столько же (а в некоторых случаях и меньше) ошибок, нежели допустил бы человек при аналогичном объеме работы. Конечно, над этим показателем все равно надо работать, особенно если речь идет о больших массивах обрабатываемых данных: из-за объема в результатах может накопиться немалое абсолютное количество ошибок.

Технологии ИИ в качестве аналитика данных чрезвычайно важны в химии и многих других естественных науках. Полагаю, что в ближайшее время существующая доля потерянных и неиспользуемых — или, как их называют, «спящих» — экспериментальных данных будет стремительно сокращаться за счет применения нейросетей. Это направление наших работ активно развивается, и мы уже видим существенный экономический и временной эффект от внедрения этих разработок.

— Одна из новых разработок вашей команды — технология анализа бактериальных биопленок с помощью ИИ. Здесь он уже не просто редактирует текст или сортирует реакции, а позволяет увидеть иначе цельную биологическую систему. Как родилась идея рассматривать биопленку как сеть взаимодействующих клеток? И что в этой работе особенно химическое, а что биологическое?

— Изучение биопленок связано с антибиотикорезистентностью. Это очень серьезная проблема современной цивилизации, потому что микроорганизмы приобретают крайне высокую устойчивость к существующим антибиотикам, а разработка новых лекарственных средств требует существенных временных и финансовых затрат. Особенно высокую устойчивость патогены приобретают при формировании биопленки. В этом случае микроорганизмы существуют не в виде разрозненных клеток, а объединяются, активируют защитные механизмы и формируют слои, становясь гораздо более труднодосягаемыми для антибактериальных препаратов. Чтобы исследовать эти системы, нужно научиться регистрировать отклик бактериальной биопленки на воздействие химического вещества. И даже при анализе малого, почти невидимого глазу участка бактериальной биопленки площадью несколько десятков квадратных микрометров исследователи получают очень большой объем данных.

Мы создали целевой алгоритм, позволяющий анализировать за короткое время достаточно масштабные участки биопленок. Если раньше с помощью микроскопии можно было вручную проанализировать от нескольких сотен до нескольких тысяч бактериальных компонентов биопленки, то наша технология открыла возможность исследовать сотни тысяч бактерий, получать усредненную статистику и оценивать, как лекарственный препарат воздействует на клетки в биопленочной структуре. Это очень интересный проект. 

Изучение биопленок состоит из множества этапов: нужно получить микроскопическое изображение, отметить на нем каждую клетку, изучить ее морфологические признаки, на их основе сделать выводы о ее физиологическом состоянии, а затем провести общий статистический и количественный анализ. Ручное изучение одного образца биопленки на достоверном уровне тоже заняло бы годы. С применением цифровых технологий этот срок сокращается до нескольких часов. 

Итак, сначала мы смогли регистрировать информацию о клетках на большой площади биопленки. А на следующем шаге, как только стали доступны соответствующие технологии, у нас появилась возможность обрабатывать получаемый объем данных взаимосвязанно. То есть можно фиксировать не только индивидуальные компоненты биопленок, но и целые домены, изучая, как входящие в них бактерии связаны друг с другом и как они сообща реагируют на определенное химическое воздействие. Проще ли воздействовать на отдельную клетку или на целый домен? Какие пространственные организации бактерий вообще не поддаются или с трудом поддаются воздействию? В процессе размышления над этими вопросами возникла идея представить бактериальные клетки в виде графа. Этот подход позволяет охарактеризовать бактерии в биопленке как сеть структур. Взаимодействуют ли они между собой, какие сигнальные механизмы они используют — вопросы будущих исследований. Главное, что к настоящему времени нам удалось представить структуру бактериальной пленки в виде геометрически связанного информационного домена. Это яркий пример перехода количества в качество. Когда доступ к большим массивам данных переходит на следующий уровень, мы можем придумать новые способы обработки и извлечения информации.  

К настоящему времени мы получили возможность анализировать биопленку как взаимодействующее сообщество. В распоряжении исследователей появилось новое пространство данных, позволяющее проследить внутренние связи между бактериями и воздействие на них различных факторов. В первую очередь, созданный нами подход будет развиваться именно с точки зрения поиска новых решений проблемы антибиотикорезистентности.

— Какими еще разработками вашей команды в области ИИ вы гордитесь?

— Как я уже сказал, с помощью ИИ можно в 30 тыс. раз ускорить обработку данных масс-спектрометрии или электронной микроскопии. Это поражает воображение, но это уже известная технология современности. Можно сделать цифрового соэксперта, который поможет человеку в решении стратегически важных вопросов при планировании или выполнении химических исследований. Но помимо этого, в некоторых областях точечное внедрение программ на основе ИИ позволяет решать задачи, которые раньше казались неразрешимыми. Здесь я хочу упомянуть два наших достижения.

Первый проект — распознавание химической формулы вещества по его фотографии (сделанной с помощью электронного микроскопа. — Примеч. корр.) с помощью специально обученной нейросети. Это задача, неподвластная человеку. Каждое вещество обладает определенной морфологией. Но когда человек смотрит на красивые фотографии кристаллов и видит различные фрактальные структуры, он понимает, что они особенные для каждого вещества, но не может напрямую связать визуальную информацию с молекулярной формулой. В то же время нейронная сеть, обученная на достаточно большом объеме данных о химических формулах и соответствующих им фотографиях веществ, может связывать определенные элементы изображений с химической структурой соединения. И если на фотографии запечатлены уникальные морфологические признаки вещества, ИИ идентифицирует его формулу. 

Мы впервые в мире показали, что по фотографиям можно распознавать молекулярные формулы веществ, в том числе очень близких по строению. Конечно, это не означает, что теперь любые вещества можно анализировать только по фотоснимкам — до этого еще далеко. Будет чрезвычайно интересно выяснить пределы применимости данной методологии. Возможно, не за горами момент, когда по фотографии с обычного смартфона можно будет проводить определенный химический анализ веществ при условии, что по ним накоплена и проанализирована нейросетью соответствующая база данных.

Второй проект — оцифровка научной интуиции. Мы, химики, гордимся своей интуицией: за годы работы мы накапливаем в памяти много информации, которую анализируем, и в дальнейшем на ее основе формулируем интуитивные суждения. Вы можете показать опытному химику-синтетику химические формулы веществ, и он сразу оценит их сложность. В этот момент человек как раз будет обращаться к своему многолетнему опыту синтеза. Это связано не только с размером молекулы, но и с уникальной комбинацией и сочленением функциональных групп. Молекула может быть небольшой по размеру, но обладать чрезвычайно высоким уровнем молекулярной сложности.

По нашей просьбе около 50 профессиональных химиков-синтетиков произвели 300 тыс. оценок молекулярной сложности, сравнивая молекулы между собой в разных комбинациях. Затем мы использовали эту информацию для обучения нейросети (аналогичные программы применяются в алгоритмах ранжирования). В результате обучения нейронная сеть оцифровала интуицию химика. Теперь она может давать количественную оценку молекулярной сложности: например, у одной молекулы сложность составляет 5,6 баллов, у другой — 7,5 баллов и т.д. И эти выводы соответствуют тому, что сказал бы человек.

Таким образом, нейросеть можно обучить воспроизводить определенные элементы человеческой интуиции. Это очень интересная дискуссионная работа. Обычно считается, что творчество и интуиция присущи только человеку. Насколько цифровые алгоритмы будут обладать способностью к творческой деятельности, появится ли у них собственная интуиция — открытые вопросы, и пока на них невозможно ответить однозначно. Но при достаточном количестве данных для анализа цифровые алгоритмы действительно могут воспроизводить определенные элементы творческой деятельности и человеческой интуиции. Такова новая эпоха, в которой нам предстоит жить и работать в ближайшее время.

— В одной из ваших работ предложена трехуровневая логика применения ИИ в химии: ИИ-ассистент, ИИ-аналитик, а также ИИ-исследователь. Если перенести эту логику на подготовку научной статьи, где пролегает граница между допустимой помощью и опасной подменой автора? В каких случаях ИИ просто помогает формулировать мысли, а когда начинает влиять на сущность научного суждения? И в целом, с вашей точки зрения, какие задачи в науке сегодня допускают применение ИИ, а какие зоны деятельности должны оставаться полностью в ведении человека?

— Это многогранный вопрос. Интересно вспомнить, как возникла эта классификация. Мы активно анализируем различные приложения цифровых технологий, в частности в химии. Количество вариантов применения стремительно растет, и стало понятно, что их нужно классифицировать. Мы провели эту работу, проанализировав, какие направления приложения ИИ в химии наиболее востребованы и активно развиваются. Так появилась озвученная вами трехуровневая классификация.

На первом уровне (ИИ-ассистент) программа решает не научные, а технические времязатратные задачи, часто связанные с обработкой текста, поиском литературы, языковыми переводами, извлечением необходимой информации. Это задачи, которые действительно выполняются живым ассистентом в лаборатории.

Следующий класс программ — ИИ-аналитик. Это алгоритмы, занимающиеся обработкой данных — например, о которых я уже говорил, анализирующие масс-спектры или изображения с электронного микроскопа.

Наконец, третья категория — алгоритмы, отвечающие за творческую деятельность, генерацию гипотез. Сюда как раз относятся технология воспроизведения человеческой интуиции и цифровой соэксперт. Это ИИ в роли исследователя. 

Любопытно, что независимый анализ иерархического распределения ИИ для решения научных задач довольно неплохо скопировал распределение ролей в науке в человеческом обществе. Безусловно, это связанные вещи: человек создает программы, необходимые ему для работы, поэтому вполне возможно, что это распределение задач естественным образом повторило мир людей в мире технологий ИИ в рамках человеческо-цифрового взаимодействия.

Грамотное применение ИИ важно на всех уровнях. Следует избегать излишнего восторга по поводу цифровых технологий. ИИ-ассистент, ИИ-аналитик и тем более ИИ-исследователь совершают ошибки, и риски их бездумного, нерегулируемого использования достаточно велики. Рост объемов данных повышает риск аналитических ошибок, особенно при формировании новых гипотез, которые невозможно оперативно проверить. Поэтому критически важно внедрить грамотное регулирование применения ИИ, а также формулирование и соблюдение определенных рекомендаций. Сейчас по всеобщей договоренности алгоритмы ИИ не могут претендовать на роли, отводимые человеку: их нельзя указывать соавторами статьи и они не могут нести ответственность за результат. Исследователь проверяет алгоритм, корректирует его, принимает или не принимает плоды его работы. В настоящее время это единственно возможный способ взаимодействия ученого и ИИ. В науке сохраняется ключевая роль человека, и особенно важно, что он по-прежнему отвечает за полученный результат и его влияние на научное сообщество.

Регуляторные процедуры, безусловно, нужны. Но на горизонте возникает риск избыточного регулирования, что грозит остановкой новых разработок. Если каждый шаг будет требовать согласования и запретительный аппарат начнет опережать аппарат развития, то мы потеряем технологическое первенство и все активные проекты в области ИИ. Нужно соблюдать грамотный баланс между разумными рекомендациями и ограничениями, пониманием рисков, признанием ведущей роли человека и его ответственности за результат, избегая при этом избыточного регулирования. Это непростая задача и одна из самых обсуждаемых тем современности. Но мне кажется, что человечество, включая научное сообщество, сможет прийти к консенсусу.

Нужно также понимать разницу между применением ИИ в научных исследованиях и в повседневности. В первом случае программы применяются в организациях и институтах, где работа в течение десятилетий регулируется внутренней нормативной базой, а результат прогнозов ИИ можно проверить на практике. При этом алгоритмы используются в пределах лаборатории, где соблюдаются определенные технологические параметры и техника безопасности. То есть в этом случае люди умеют грамотно обращаться с ИИ в рамках действующих законодательных ограничений. Если же речь идет о применении алгоритмов ИИ в человеческом обществе в целом, это совсем другая история, требующая более пристального внимания.

— Как, на ваш взгляд, должна выглядеть честная декларация использования ИИ при проведении научного исследования? Просто краткая техническая фраза или, возможно, детальное пояснение, где именно инструмент помогал ученым?

— Здесь сложилась непростая и, наверное, не очень честная картина. Многие пользуются алгоритмами ИИ при подготовке научных статей, особенно на уровне ИИ-ассистента. Но людям пока не хватает смелости говорить об этом открыто. Недавний статистический анализ показал, что лишь небольшое число авторов публично признают факт использования цифровых алгоритмов при подготовке работ.

Научные проекты относятся к областям, где разрешено использование ИИ. Это отличает их от образовательных проектов, где нужно очень внимательно относиться к применению ИИ во избежание пагубного влияния на процесс подготовки специалистов.

Сейчас готовится декларация о том, как правильно использовать и описывать применяемые в работе цифровые инструменты. Авторы научных статей должны указывать, для чего они применяли алгоритмы, какие это были программы и какова их роль в работе. Это должно присутствовать как минимум в краткой форме — далее все зависит от степени использования ИИ в конкретном случае.

Обращаясь к коллегам, хочу подчеркнуть, что в применении ИИ нет ничего противоестественного. Цифровые алгоритмы активно используются, и это не запрещено. Во многих журналах в правилах для авторов уже сейчас оговаривается, как можно применять ИИ в научной работе, и декларирование его использования становится все более распространенным. Поэтому не нужно бояться открыто декларировать ИИ в соответствии с существующими правилами и этическими стандартами.

Думаю, что в скором времени такая декларация будет прилагаться практически ко всем работам. Ученый будет либо заявлять о том, что не применял подобные инструменты, либо уведомлять об использовании конкретной программы с описанием того, что было сделано с ее помощью.

— У вашей лаборатории немало интересных достижений и в других сферах. Например, технология инкапсуляции опасных химикатов для повышения безопасности реакций. Расскажите, как выглядит этот метод, какие возможности он дает и на каком этапе находится эта работа в настоящее время.

— Химия — сложная наука, и множество критически важных для работы реактивов небезопасны для живых систем при непосредственном контакте. Поэтому ученые создают различные способы максимально обезопасить работу с подобными веществами. С этой задачей был связан один из наших проектов. Мы разработали специальные капсулы, печатаемые на 3D-принтере, в которые можно загружать определенное количество химического вещества. Когда мы добавляем капсулу в колбу, она разрушается под действием растворителя и реактив выходит в пространство, где протекает химическая реакция. Пластик, остающийся в реакционной среде после растворения капсулы, можно подвергать регенерации и использовать повторно.

Это важно в случаях, когда продукты реакции безопасны, но исходное вещество требует особого обращения. Капсулы можно заготавливать заранее без участия человека: робототехника справится с их печатью, заполнением и запечатыванием. В таких капсулах химические вещества можно поставлять в лаборатории уже расфасованными в определенных количествах, как таблетки в блистере. И химик может просто отсчитать нужное количество этих капсул для проведения реакции. Такой подход позволяет исключить контакт человека с реактивами на той стадии, когда они несут вред для живого организма: опасный реактив не нужно взвешивать или набирать своими руками. Эта разработка — путь к более безопасной и автоматизированной химии.

— Очень удобно! Ваша команда в целом активно использует 3D-печать. Ваше яркое достижение в этой области — напечатанные химические реакторы. Какие преимущества дают ученому подобные системы? Как такие реакторы различаются в зависимости от цели работы?

— С помощью 3D-печати можно создать химический реактор очень сложной формы: с полостями и каналами, внутренними системами для синтеза, очистки и перегонки и даже возможностью проводить небольшой анализ. Если попытаться изготовить описанный реактор традиционными ручными способами, такими как фрезеровка металла, то в ряде случаев это окажется невыполнимым в силу чересчур сложной внутренней геометрии. Или же выполнение работы потребует огромных сроков, а стоимость реактора будет очень высокой.

Появление 3D-печати революционизировало химические технологии, и мы получили возможность делать опытные экземпляры реакторов даже сложной геометрии за очень короткий период — буквально несколько дней. Все, что нужно, — спроектировать реактор на компьютере в программе для 3D-моделирования и распечатать его на 3D-принтере.

Реакторы для простых случаев печатаются из специальных химически стойких пластиков. Существуют инженерные разновидности полиэтилена, PEEK (полиэфирэфиркетона. — Примеч. корр.), полиамида, способные выдерживать высокие температуры. После реакции пластик подвергается регенерации и используется повторно. Для более сложных процессов на 3D-принтерах можно печатать классические реакторы из нержавеющей стали с помощью технологии лазерного спекания.

Ученый, способный спроектировать реактор, напечатать его и протестировать в лаборатории, — пример современного химика. К этому уровню нужно стремиться. И студенты, и аспиранты, которые приходят к нам в лабораторию, обучаются этой технологической цепочке.

Применение аддитивных технологий, в частности 3D-печати, существенно ускоряет цикл разработки химических реакторов, позволяя получить первые прототипы системы перед масштабированием технологии. Уверен, что аддитивные технологии будут все активнее использоваться как раз на этапе опытно-конструкторских работ при переходе от фундаментальной науки к ее практическим приложениям.

— Отдельное направление работы вашей лаборатории — изучение цитотоксичности. Какие основные задачи в этой области ставит перед собой ваша команда и какие основные результаты уже получены?

— Мы работаем над созданием экотоксикологических профилей химических процессов. Речь идет не просто о токсичности отдельного вещества, а о том, что может произойти, если человек или природное сообщество вступят в контакт с определенным химическим процессом. Это может произойти естественным путем либо в результате чрезвычайного происшествия, например аварии на химическом заводе.

Созданные нами технологии позволяют анализировать экологическое воздействие химических процессов с помощью цифрового двойника. Решения подобных задач посредством прямых экспериментов на реальных биоценозах избегают по вполне понятным причинам. Эти работы проводятся путем набора экспериментальных данных и последующего моделирования.

Мы построили специальные системы для формирования токсикологических профилей различных химических процессов, включая каталитические технологии. Это позволяет оптимизировать реакцию с точки зрения не только температуры, давления, выхода продукта, но и ее экотоксикологического профиля. В результате можно создавать реакции, которые потенциально будут гораздо более безопасны для человека и окружающей среды при различных сценариях использования на практике. Эта область, как и все, что связано с живыми организмами, чрезвычайно интересная, но настолько же сложная.

Мы продолжаем развивать данное направление безопасной химии. Главный принцип нашей работы: экотоксикологический профиль химического процесса надо анализировать на самых ранних этапах его формирования, когда подбираются компоненты и условия реакции. Внедрять системы очистки в уже существующую технологию не только трудно, но и невыгодно: иногда затраты на их эксплуатацию вносят существенный вклад в стоимость конечного продукта.

— Какие другие недавние или текущие работы вашей команды вам хотелось бы отметить для наших читателей?

— Сейчас наступает эпоха фотохимии и фотокатализа. Это чрезвычайно активная и интересная область исследований. Можно облучить химические реактивы светом при комнатной температуре, и это запустит процесс, который без света потребовал бы температуры в сотни градусов и других очень жестких, трудноосуществимых условий. Этого можно добиться путем добавления фотокатализаторов — соединений, которые поглощают световое излучение, переходят в возбужденное состояние, отнимают электрон у молекулы или, наоборот, отдают его ей и таким образом инициируют химический процесс. Фотон несет большое количество энергии и может оказать существенное воздействие на химическую систему, если он поглощен и грамотно встроен в химический цикл.

Полагаю, что в ближайшем будущем область фотохимии и фотокатализа будет отмечена самыми высокими научными наградами. Фотокаталитические технологии активно изучаются как в ИОХ РАН в целом, так и в нашей лаборатории в частности. Они открывают возможность проводить сложнейшие химические реакции при комнатной температуре, используя лишь свет и правильно подобранный фотокатализатор. Всем, кто планирует связать свою карьеру с практической химией, я настоятельно рекомендую обратить внимание на фоторедокс-процессы и фотокаталитические системы. Вне всяких сомнений, через некоторое время в этой области будет присуждена Нобелевская премия.

В заключение хочу обратиться с призывом к нашим слушателям. Сегодня самое интересное время для химии. Химия переосмысляется, мы на пороге больших открытий. До недавнего времени практически не было полностью изученных химических реакций. Сейчас лучший момент, чтобы прийти в химию, воспользоваться цифровыми инструментами, обработать накопленные данные и сделать собственное открытие. Наступает эпоха внедрения цифровых технологий в химию, и ее нельзя упустить. Желаю всем удачи!

Интервью проведено при поддержке Министерства науки и высшего образования РФ

Фото на странице: Ольга Мерзлякова / «Научная Россия», Мария Грудова / предоставлено пресс-службой ИОХ РАН.