MIT presenta il modello CheMeleon per prevedere le proprietà molecolari con pochi dati

MIT News ha presentato CheMeleon il 6 novembre 2026: un modello fondazionale open source per le molecole, progettato per prevedere le proprietà chimiche quando scarseggiano i dati sperimentali specifici per il compito. Sviluppato da ricercatori del MIT e di BASF, è pensato per individuare le molecole più promettenti nella ricerca di farmaci e materiali.

L’articolo sottoposto a revisione paritaria su cui si basa il modello è stato pubblicato prima dell’annuncio. È uscito online il 7 agosto 2026 ed è apparso nel numero del 14 settembre 2026 del Journal of Chemical Information and Modeling; una versione precedente era online già dal 2025.

Un possibile ambito di applicazione è la stima dell’affinità di un ligando per un bersaglio farmacologico cellulare scoperto di recente, per il quale i ricercatori dispongono di poche misurazioni della proprietà d’interesse e devono decidere quali composti vale la pena sintetizzare e testare. CheMeleon serve a restringere il campo dei candidati, non a rendere perfettamente prevedibile il comportamento delle molecole.

Preaddestramento su descrittori calcolati

CheMeleon è stato preaddestrato su circa un milione di molecole provenienti da PubChem e su circa 1.600 descrittori molecolari sviluppati dai chimici nell’arco di decenni. I valori usati come obiettivi di addestramento sono stati calcolati, anziché ricavati dalla letteratura sperimentale pubblicata; tra gli esempi figurano la massa molecolare e il numero di atomi di ossigeno. Questo preaddestramento supervisionato utilizza descrittori calcolabili e a basso rumore per creare rappresentazioni molecolari trasferibili ad altri compiti.

Lo stesso modello preaddestrato può poi essere perfezionato con una piccola quantità di dati specifici per il compito, per prevedere proprietà come la solubilità, la viscosità, la bioattività o la reattività con una determinata proteina o enzima. CheMeleon è un modello fondazionale con circa 10 milioni di parametri, sviluppato per le reti neurali a propagazione diretta dei messaggi.

Akshat Shirish Zalte, dottorando al MIT, ha messo a confronto questo approccio con i modelli classici basati sull’esperienza degli esperti, nei quali gli specialisti codificano manualmente le possibili relazioni tra descrittori come le dimensioni molecolari, la ramificazione o l’ingombro e proprietà come la solubilità. CheMeleon, invece, apprende relazioni chimiche generali durante il preaddestramento, così la rete non deve imparare tutto da zero per ogni nuovo compito.

Risultati dei test comparativi e adozione segnalata

I ricercatori hanno valutato CheMeleon su 58 set di dati di riferimento riguardanti proprietà pertinenti alla scoperta di farmaci a piccole molecole, tratti dall’iniziativa di benchmarking Polaris, guidata dall’industria. Nei confronti statistici riportati dagli autori, CheMeleon ha superato i modelli di riferimento classici, tra cui Random Forest applicato alle impronte molecolari e ai descrittori, oltre ai modelli fondazionali già esistenti.

William Green, titolare della cattedra Hoyt Hottel di ingegneria chimica al MIT, ha affermato che il modello riduce drasticamente il numero di molecole da sottoporre a test sperimentali per prevedere con precisione le proprietà di nuovi composti, collegando questo vantaggio al tempo e ai costi della sintesi e dei test.

Green ha dichiarato che nove dei primi 20 classificati in una competizione OpenADMET svoltasi all’inizio del 2026 hanno utilizzato CheMeleon nei flussi di lavoro per prevedere le proprietà di molecole mai sintetizzate prima.

Il MIT ha riferito che diverse aziende farmaceutiche utilizzano regolarmente il modello. Green ha affermato che almeno un’azienda, rimasta anonima, ha chiesto al proprio personale di partire da CheMeleon ogni volta che deve modellare una proprietà.

Disponibilità open source e limiti pratici

CheMeleon e il relativo framework di preaddestramento sono open source; gli utenti possono scaricare e perfezionare il modello tramite ChemProp, un software sviluppato e mantenuto dal gruppo di Green. Il progetto riunisce inoltre ricercatori di ingegneria chimica del MIT e gli scienziati di BASF SE Jochen Sieg, Christian Feldmann e Miriam Mathea, in Germania.

Per i gruppi di ricerca impegnati nella scoperta di nuovi composti, il vantaggio pratico è poter contare su un punto di partenza riutilizzabile quando i dati di addestramento direttamente pertinenti a una nuova proprietà sono scarsi. I risultati dei test comparativi e le prime adozioni mostrano che CheMeleon è andato oltre la dimostrazione in un singolo laboratorio, ma il suo ruolo resta quello di stabilire le priorità: i composti che seleziona devono comunque essere sottoposti a esperimenti per determinarne il comportamento effettivo.