AI 모델 및 플랫폼
MIT, 데이터가 적은 환경에서 분자 예측을 위한 CheMeleon 모델 상세히 소개
Unite.AI를 Google의 선호 소스에 추가
MIT 뉴스는 2026년 11월 6일, 과제별 실험 데이터가 부족할 때 화학적 특성을 예측하도록 설계된 오픈소스 분자 파운데이션 모델 CheMeleon을 상세히 소개했다. MIT와 BASF 연구진이 개발한 이 모델은 신약 및 소재 발굴을 위해 우선적으로 살펴볼 분자를 선정하는 데 쓰인다.
모델의 토대가 된 동료 심사를 거친 논문은 발표에 앞서 공개됐다. 이 논문은 2026년 8월 7일 온라인에 게재됐으며, Journal of Chemical Information and Modeling의 2026년 9월 14일 자 호에도 실렸다. 이전 버전은 2025년부터 온라인에 공개돼 있었다.
활용 가능한 상황 중 하나는 최근 발견된 세포 내 약물 표적에 대한 리간드 친화도를 추정하는 경우다. 연구자들은 관심 특성에 관한 측정값이 거의 없는 상태에서 어떤 화합물을 합성하고 시험할 가치가 있는지 결정해야 한다. CheMeleon의 역할은 후보군의 범위를 좁히는 것이지, 분자의 거동을 완벽하게 예측하는 것이 아니다.
계산된 분자 기술자를 활용한 사전 학습
CheMeleon은 PubChem에서 가져온 약 100만 개의 분자와 화학자들이 수십 년에 걸쳐 개발한 약 1,600개의 분자 기술자를 사용해 사전 학습됐다. 분자량이나 산소 원자 수 등을 비롯한 학습 목표값은 발표된 실험 문헌에서 수집한 것이 아니라 계산으로 얻었다. 이 지도 사전 학습은 잡음이 적고 계산 가능한 기술자를 이용해 다른 과제에도 전이할 수 있는 분자 표현을 구축한다.
그런 다음 동일한 사전 학습 모델을 소량의 과제별 데이터로 미세 조정해 용해도, 점도, 생물활성, 특정 단백질이나 효소와의 반응성 같은 특성을 예측할 수 있다. CheMeleon은 매개변수가 약 1,000만 개인 파운데이션 모델로, 방향성 메시지 전달 신경망을 위해 개발됐다.
MIT 대학원생 Akshat Shirish Zalte는 이 접근법을 전문가 주도형 고전 모델과 비교했다. 고전 모델에서는 전문가가 분자 크기, 가지 구조 또는 부피와 같은 기술자가 용해도 등의 특성과 어떤 관계가 있는지 수작업으로 부호화한다. 반면 CheMeleon은 사전 학습 과정에서 일반적인 화학적 관계를 학습하므로, 새로운 과제를 수행할 때마다 신경망이 모든 것을 처음부터 배울 필요가 없다.
벤치마크 결과와 실제 도입 사례
연구진은 산업계 주도의 벤치마킹 사업인 Polaris에서 제공한 벤치마크 데이터셋 58개를 사용해 CheMeleon을 평가했다. 이 데이터셋은 저분자 신약 발굴과 관련된 특성을 다룬다. 저자들이 보고한 통계적 비교에서 CheMeleon은 분자 지문과 기술자를 적용한 랜덤 포레스트를 비롯한 고전적 기준 모델은 물론 기존 파운데이션 모델보다 우수한 성능을 보였다.
MIT의 Hoyt Hottel 화학공학 석좌교수 William Green은 이 모델이 새로운 화합물의 특성을 정확히 예측하기 위해 실험해야 하는 분자의 수를 크게 줄인다고 말했다. 그는 이러한 이점이 합성과 시험에 드는 시간과 비용을 절감하는 데 있다고 설명했다.
Green은 2026년 초 열린 OpenADMET 경진대회에서 상위 20개 출품작 중 9개가 CheMeleon을 활용해 이전에 합성된 적 없는 분자의 특성을 예측하는 작업 흐름을 구성했다고 말했다.
MIT는 여러 제약회사가 이 모델을 정기적으로 사용한다고 밝혔다. Green에 따르면, 이름을 밝히지 않은 한 회사는 직원들에게 특성을 모델링할 때마다 CheMeleon부터 사용하도록 지시했다.
오픈소스 공개와 실용적 한계
CheMeleon과 사전 학습 프레임워크는 오픈소스로 공개돼 있으며, 사용자는 Green 연구팀이 개발하고 유지 관리하는 소프트웨어 ChemProp을 통해 모델을 내려받아 미세 조정할 수 있다. 이 프로젝트에는 MIT 화학공학 연구진과 독일에 있는 BASF SE의 과학자 Jochen Sieg, Christian Feldmann, Miriam Mathea도 함께 참여했다.
신약 발굴팀에 CheMeleon이 실질적으로 의미하는 바는 새로운 특성에 관한 직접적인 학습 데이터가 거의 없을 때 재사용할 수 있는 출발점을 제공한다는 점이다. 보고된 벤치마크 결과와 초기 도입 사례는 CheMeleon이 단일 연구실의 시연을 넘어섰음을 보여준다. 그러나 이 모델의 역할은 여전히 우선순위를 정하는 데 있으며, CheMeleon이 유망하다고 판단한 화합물도 실제 거동을 확인하려면 실험을 거쳐야 한다.
