Kuantum mekaniği tabanlı hesaplamalar, moleküllerin özelliklerini yüksek doğrulukla tahmin edebilse de hesaplama maliyetleri büyük sistemlerde hızla artmaktadır. Son yıllarda geliştirilen atomistik makine öğrenmesi potansiyelleri (MLIP'ler), büyük kuantum veri setleri üzerinde eğitilerek bu hesaplamaları çok daha hızlı gerçekleştirmeye olanak tanıyor.
Rem3Di adlı yeni çerçeve ise bu modelleri farklı bir amaçla kullanıyor: simülasyonu hızlandırmak yerine, modellerin içinde öğrenilmiş kimyasal bilgiyi moleküler özellik tahmininde yeniden değerlendiriyor. Sistem, bir atomistik temel modelin her atom için ürettiği gizli katman temsillerini alarak bunları tek bir sabit boyutlu vektöre, yani tanımlayıcıya dönüştürüyor.
Bu tanımlayıcının birkaç önemli özelliği bulunuyor. Birincisi, molekülün üç boyutlu yapısıyla uyumlu biçimde değişiyor; yani aynı bağlantıya sahip iki farklı konformasyon farklı tanımlayıcılar üretiyor. İkincisi, atomların yazılış sırasına duyarsız; bu da hesaplamayı standart ve tekrarlanabilir kılıyor. Üçüncüsü ve belki de en özgün olanı ise kirallığı yakalayabilmesi.
Kimyada kiral moleküller, birbirinin ayna görüntüsü olan ama süpürüşemeyen yapılardır. İlaç moleküllerinde bu iki form çoğu zaman çok farklı biyolojik aktivite gösterebilir; hatta biri terapötikken diğeri toksik olabilir. Rem3Di, sözde skaler adı verilen özellikler inşa ederek bu ayrımı matematiksel olarak kodluyor: bu özellikler normal dönüşümlerde değişmezken yansıma dönüşümünde işaret değiştiriyor.
Geliştirilen tanımlayıcılar hem doğrudan kullanılabiliyor hem de belirli görevler için ince ayar yapılabiliyor. Bu esneklik, Rem3Di'yi sanal ilaç taraması, toksisite tahmini veya malzeme keşfi gibi uygulamalara uygun hale getiriyor.
Yaklaşımın temel avantajı, büyük ölçekli eğitim için gereken kuantum hesaplama yatırımını yeniden kullanabilmesidir. Mevcut temel modellerin öğrendiği kimyasal bilgi, özel görevler için verimli biçimde aktarılabiliyor. Bu, özellikle etiketli verinin kısıtlı olduğu alanlarda önemli bir avantaj sunuyor.