Το MIT παρουσιάζει το μοντέλο CheMeleon για μοριακές προβλέψεις με λίγα δεδομένα

Το MIT News παρουσίασε το CheMeleon στις 6 Νοεμβρίου 2026, ένα μοντέλο ανοιχτού κώδικα για τη μοριακή μοντελοποίηση, σχεδιασμένο να προβλέπει χημικές ιδιότητες όταν τα πειραματικά δεδομένα για μια συγκεκριμένη εργασία είναι σπάνια. Το ανέπτυξαν ερευνητές του MIT και της BASF, με σκοπό να βοηθά στην ιεράρχηση μορίων για την ανακάλυψη φαρμάκων και υλικών.

Η αξιολογημένη από ομοτίμους μελέτη στην οποία βασίζεται το μοντέλο προηγήθηκε της ανακοίνωσης. Δημοσιεύτηκε ηλεκτρονικά στις 7 Αυγούστου 2026 και συμπεριλήφθηκε στο τεύχος της 14ης Σεπτεμβρίου 2026 του Journal of Chemical Information and Modeling· μια προγενέστερη εκδοχή της ήταν διαθέσιμη στο διαδίκτυο από το 2025.

Ένα πεδίο εφαρμογής είναι η εκτίμηση της συγγένειας πρόσδεσης ενός λιγάνδης για έναν πρόσφατα ανακαλυφθέντα κυτταρικό στόχο φαρμάκου. Σε τέτοιες περιπτώσεις, οι ερευνητές διαθέτουν ελάχιστες μετρήσεις για την ιδιότητα που τους ενδιαφέρει και πρέπει να αποφασίσουν ποιες ενώσεις αξίζει να συνθέσουν και να δοκιμάσουν. Ο ρόλος του CheMeleon είναι να περιορίζει το σύνολο των υποψήφιων μορίων, όχι να καθιστά τη μοριακή συμπεριφορά απολύτως προβλέψιμη.

Προεκπαίδευση με υπολογισμένους περιγραφείς

Το CheMeleon προεκπαιδεύτηκε σε περίπου ένα εκατομμύριο μόρια από το PubChem και σε περίπου 1.600 μοριακούς περιγραφείς, τους οποίους οι χημικοί ανέπτυξαν στη διάρκεια δεκαετιών. Οι τιμές-στόχοι για την εκπαίδευση υπολογίστηκαν αντί να αντληθούν από δημοσιευμένη πειραματική βιβλιογραφία· παραδείγματα είναι το μοριακό βάρος και ο αριθμός των ατόμων οξυγόνου. Αυτή η εποπτευόμενη προεκπαίδευση αξιοποιεί περιγραφείς που υπολογίζονται με χαμηλό θόρυβο, ώστε να δημιουργεί μοριακές αναπαραστάσεις που μπορούν να μεταφερθούν σε άλλες εργασίες.

Στη συνέχεια, το ίδιο προεκπαιδευμένο μοντέλο μπορεί να προσαρμοστεί με μικρό όγκο δεδομένων για μια συγκεκριμένη εργασία, όπως η διαλυτότητα, το ιξώδες, η βιοδραστικότητα ή η αντιδραστικότητα με μια συγκεκριμένη πρωτεΐνη ή ένα ένζυμο. Το CheMeleon είναι μοντέλο θεμελίωσης με περίπου 10 εκατομμύρια παραμέτρους, σχεδιασμένο για νευρωνικά δίκτυα κατευθυνόμενης μετάδοσης μηνυμάτων.

Ο μεταπτυχιακός φοιτητής του MIT Akshat Shirish Zalte αντιπαρέβαλε αυτή την προσέγγιση με τα κλασικά μοντέλα που βασίζονται στην ανθρώπινη εξειδίκευση, στα οποία οι ειδικοί κωδικοποιούν χειροκίνητα τον τρόπο με τον οποίο περιγραφείς, όπως το μοριακό μέγεθος, η διακλάδωση ή ο όγκος, ενδέχεται να σχετίζονται με μια ιδιότητα όπως η διαλυτότητα. Αντίθετα, το CheMeleon μαθαίνει γενικές χημικές σχέσεις κατά την προεκπαίδευση, οπότε το νευρωνικό δίκτυο δεν χρειάζεται να μαθαίνει τα πάντα από την αρχή για κάθε νέα εργασία.

Αποτελέσματα συγκριτικής αξιολόγησης και αναφερόμενη υιοθέτηση

Οι ερευνητές αξιολόγησαν το CheMeleon σε 58 σύνολα δεδομένων συγκριτικής αξιολόγησης, τα οποία κάλυπταν ιδιότητες σχετικές με την ανακάλυψη φαρμάκων μικρών μορίων και προέρχονταν από την πρωτοβουλία συγκριτικής αξιολόγησης Polaris, υπό την ηγεσία της βιομηχανίας. Σύμφωνα με τις στατιστικές συγκρίσεις που αναφέρουν οι συγγραφείς, το CheMeleon ξεπέρασε τις κλασικές μεθόδους αναφοράς, μεταξύ των οποίων το Random Forest που εφαρμόστηκε σε μοριακά αποτυπώματα και περιγραφείς, καθώς και υφιστάμενα μοντέλα θεμελίωσης.

Ο William Green, καθηγητής Χημικής Μηχανικής στο MIT με την έδρα Hoyt Hottel, δήλωσε ότι το μοντέλο μειώνει δραστικά τον αριθμό των μορίων που πρέπει να δοκιμαστούν πειραματικά, ώστε να προβλεφθούν με ακρίβεια οι ιδιότητες νέων ενώσεων. Συνέδεσε αυτό το όφελος με τον χρόνο και το κόστος της σύνθεσης και των δοκιμών.

Ο Green δήλωσε ότι εννέα από τις 20 κορυφαίες συμμετοχές σε διαγωνισμό OpenADMET που πραγματοποιήθηκε νωρίτερα το 2026 χρησιμοποίησαν το CheMeleon σε ροές εργασίας για την πρόβλεψη ιδιοτήτων μορίων που δεν είχαν συντεθεί προηγουμένως.

Το MIT ανέφερε ότι αρκετές φαρμακευτικές εταιρείες χρησιμοποιούν τακτικά το μοντέλο. Ο Green δήλωσε ότι τουλάχιστον μία εταιρεία, η οποία δεν κατονομάστηκε, έδωσε εντολή στο προσωπικό της να ξεκινά με το CheMeleon κάθε φορά που μοντελοποιεί μια ιδιότητα.

Ελεύθερη διάθεση και πρακτικοί περιορισμοί

Το CheMeleon και το πλαίσιο προεκπαίδευσής του είναι ανοιχτού κώδικα. Οι χρήστες μπορούν να κατεβάσουν και να προσαρμόσουν το μοντέλο μέσω του ChemProp, λογισμικού που έχει αναπτύξει και συντηρεί η ομάδα του Green. Στο έργο συνεργάζονται επίσης ερευνητές χημικής μηχανικής του MIT και οι επιστήμονες της BASF SE στη Γερμανία Jochen Sieg, Christian Feldmann και Miriam Mathea.

Για τις ομάδες που δραστηριοποιούνται στην ανακάλυψη φαρμάκων και υλικών, η πρακτική αξία του μοντέλου είναι ότι προσφέρει ένα επαναχρησιμοποιήσιμο σημείο εκκίνησης όταν υπάρχουν ελάχιστα δεδομένα εκπαίδευσης άμεσα συναφή με μια νέα ιδιότητα. Τα αναφερόμενα αποτελέσματα συγκριτικής αξιολόγησης και η πρώιμη υιοθέτηση δείχνουν ότι το CheMeleon έχει ξεπεράσει το στάδιο μιας μεμονωμένης εργαστηριακής επίδειξης. Ο ρόλος του, ωστόσο, εξακολουθεί να είναι η ιεράρχηση των υποψηφίων: οι ενώσεις που επιλέγει χρειάζονται ακόμη πειραματική μελέτη για να εξακριβωθεί η πραγματική τους συμπεριφορά.