MIT Mengulas Model CheMeleon untuk Prediksi Molekuler dengan Data Terbatas

MIT News mengulas CheMeleon pada 6 November 2026, dengan memperkenalkan model fondasi molekuler sumber terbuka yang dirancang untuk memprediksi sifat kimia ketika data eksperimen khusus untuk suatu tugas sangat terbatas. Dikembangkan oleh para peneliti MIT dan BASF, model ini ditujukan untuk memprioritaskan molekul dalam penemuan obat dan material.

Makalah yang ditelaah sejawat dan mendasari model ini terbit sebelum pengumuman tersebut. Makalah itu diterbitkan secara daring pada 7 Agustus 2026 dan dimuat dalam edisi Journal of Chemical Information and Modeling tanggal 14 September 2026; versi sebelumnya telah tersedia secara daring sejak 2025.

Salah satu sasaran penggunaannya adalah memperkirakan afinitas ligan terhadap target obat seluler yang baru ditemukan, ketika peneliti hanya memiliki sedikit pengukuran untuk sifat yang diminati dan harus menentukan senyawa mana yang layak disintesis dan diuji. Peran CheMeleon adalah mempersempit daftar kandidat, bukan membuat perilaku molekul dapat diprediksi secara sempurna.

Pralatih dengan Deskriptor Hasil Perhitungan

CheMeleon menjalani prapelatihan menggunakan sekitar satu juta molekul dari PubChem dan kira-kira 1.600 deskriptor molekuler yang dikembangkan para ahli kimia selama beberapa dekade. Target pelatihannya dihitung, bukan dikumpulkan dari literatur eksperimen yang diterbitkan; contohnya mencakup massa molekul dan jumlah atom oksigen. Prapelatihan terawasi ini menggunakan deskriptor yang dapat dihitung dan memiliki tingkat gangguan rendah untuk membangun representasi molekuler yang dapat dialihkan ke tugas lain.

Model pralatih yang sama kemudian dapat disetel lebih lanjut menggunakan sedikit data khusus untuk tugas tertentu, guna mempelajari sifat seperti kelarutan, viskositas, bioaktivitas, atau reaktivitas terhadap protein atau enzim tertentu. CheMeleon adalah model fondasi dengan sekitar 10 juta parameter, yang dikembangkan untuk jaringan saraf dengan pengiriman pesan terarah.

Mahasiswa pascasarjana MIT Akshat Shirish Zalte membandingkan pendekatan ini dengan model klasik yang mengandalkan keahlian pakar, yaitu model yang dibangun dengan memasukkan secara manual cara spesialis mengodekan hubungan antara deskriptor seperti ukuran molekul, percabangan, atau kebesaran molekul dengan sifat seperti kelarutan. Sebaliknya, CheMeleon mempelajari hubungan kimia umum selama prapelatihan, sehingga jaringan tidak perlu mempelajari semuanya dari awal untuk setiap tugas baru.

Hasil Tolok Ukur dan Adopsi yang Dilaporkan

Para peneliti mengevaluasi CheMeleon menggunakan 58 kumpulan data tolok ukur yang mencakup sifat-sifat relevan untuk penemuan obat bermolekul kecil. Data tersebut bersumber dari inisiatif tolok ukur Polaris yang dipimpin industri. Menurut perbandingan statistik yang dilaporkan para penulis, CheMeleon mengungguli model dasar klasik, termasuk Random Forest yang diterapkan pada sidik jari dan deskriptor molekuler, serta model fondasi yang sudah ada.

William Green, Profesor Teknik Kimia Hoyt Hottel di MIT, mengatakan bahwa model ini secara drastis mengurangi jumlah molekul yang harus diuji secara eksperimental agar sifat senyawa baru dapat diprediksi secara akurat. Ia mengaitkan manfaat tersebut dengan waktu dan biaya yang diperlukan untuk sintesis dan pengujian.

Green mengatakan bahwa sembilan dari 20 peserta teratas dalam kompetisi OpenADMET yang diadakan pada awal 2026 menggunakan CheMeleon dalam alur kerja untuk memprediksi sifat molekul yang belum pernah disintesis.

MIT melaporkan bahwa beberapa perusahaan farmasi menggunakannya secara rutin. Green mengatakan bahwa setidaknya satu perusahaan yang tidak disebutkan namanya menginstruksikan stafnya untuk memulai dengan CheMeleon setiap kali memodelkan suatu sifat.

Ketersediaan Terbuka dan Batasan Praktis

CheMeleon dan kerangka prapelatihannya bersumber terbuka, dan pengguna dapat mengunduh serta menyetel model ini lebih lanjut melalui ChemProp, perangkat lunak yang dikembangkan dan dipelihara oleh kelompok Green. Proyek ini juga melibatkan para peneliti teknik kimia MIT serta ilmuwan BASF SE di Jerman, Jochen Sieg, Christian Feldmann, dan Miriam Mathea.

Bagi tim penemuan, manfaat praktisnya adalah tersedianya titik awal yang dapat digunakan kembali ketika data pelatihan yang secara langsung relevan dengan suatu sifat baru sangat terbatas. Hasil tolok ukur dan adopsi awal yang dilaporkan menunjukkan bahwa CheMeleon telah melampaui tahap demonstrasi di satu laboratorium, tetapi perannya tetap sebatas memprioritaskan kandidat: senyawa yang diunggulkannya masih perlu diuji secara eksperimental untuk memastikan perilaku sebenarnya.