MIT przedstawia model CheMeleon do przewidywania właściwości cząsteczek przy ograniczonej ilości danych

MIT News opisał CheMeleon 6 listopada 2026 r., przedstawiając otwartoźródłowy model bazowy dla cząsteczek, zaprojektowany do przewidywania właściwości chemicznych w sytuacji, gdy brakuje danych eksperymentalnych dotyczących konkretnego zadania. Model, opracowany przez badaczy z MIT i BASF, ma służyć do określania priorytetów wśród cząsteczek na potrzeby odkrywania leków i materiałów.

Recenzowany artykuł opisujący model ukazał się przed jego prezentacją. Opublikowano go w internecie 7 sierpnia 2026 r., a następnie zamieszczono w numerze Journal of Chemical Information and Modeling z 14 września 2026 r.; wcześniejsza wersja była dostępna w internecie już od 2025 r.

Jednym z możliwych zastosowań jest szacowanie powinowactwa ligandu do niedawno odkrytego komórkowego celu lekowego. Badacze dysponują w takim przypadku niewielką liczbą pomiarów interesującej ich właściwości i muszą zdecydować, które związki warto zsyntetyzować i przetestować. CheMeleon ma zawęzić pulę kandydatów, a nie zapewnić doskonałą przewidywalność zachowania cząsteczek.

Wstępne trenowanie na obliczonych deskryptorach

CheMeleon wstępnie trenowano na około milionie cząsteczek z PubChem oraz mniej więcej 1600 deskryptorach cząsteczkowych opracowywanych przez chemików przez dziesięciolecia. Wartości docelowe w procesie trenowania obliczono, zamiast pozyskiwać je z opublikowanej literatury eksperymentalnej; przykładowe deskryptory obejmowały masę cząsteczkową i liczbę atomów tlenu. W tym nadzorowanym wstępnym trenowaniu wykorzystuje się deskryptory, które można obliczyć i które charakteryzują się niewielkim poziomem szumu, aby tworzyć reprezentacje cząsteczek możliwe do przeniesienia na inne zadania.

Ten sam wstępnie wytrenowany model można następnie dostroić przy użyciu niewielkiej ilości danych dotyczących konkretnego zadania, aby przewidywać takie właściwości jak rozpuszczalność, lepkość, aktywność biologiczna czy reaktywność wobec określonego białka lub enzymu. CheMeleon to model bazowy liczący rzędu 10 milionów parametrów, opracowany z myślą o neuronowych sieciach przekazywania komunikatów z ukierunkowanym przepływem informacji.

Doktorant MIT Akshat Shirish Zalte zestawił to podejście z klasycznymi modelami opartymi na wiedzy ekspertów, w których specjaliści ręcznie kodują zależności między deskryptorami, takimi jak rozmiar cząsteczki, rozgałęzienie czy objętość przestrzenna, a daną właściwością, na przykład rozpuszczalnością. CheMeleon uczy się natomiast ogólnych zależności chemicznych podczas wstępnego trenowania, dzięki czemu sieć nie musi uczyć się wszystkiego od zera przy każdym nowym zadaniu.

Wyniki testów porównawczych i doniesienia o wdrożeniach

Badacze ocenili CheMeleon na 58 zbiorach danych testów porównawczych obejmujących właściwości istotne dla odkrywania leków małocząsteczkowych. Zbiory pochodziły z inicjatywy Polaris, prowadzonej przez przedstawicieli branży. Według przedstawionych przez autorów porównań statystycznych CheMeleon osiągnął lepsze wyniki niż klasyczne modele bazowe, w tym las losowy zastosowany do odcisków palcowych cząsteczek i deskryptorów, a także niż istniejące modele bazowe.

William Green, profesor inżynierii chemicznej im. Hoyta Hottela na MIT, powiedział, że model radykalnie zmniejsza liczbę cząsteczek, które trzeba przetestować eksperymentalnie, aby dokładnie przewidywać właściwości nowych związków. Powiązał tę korzyść z czasem i kosztami syntezy oraz testowania.

Green powiedział, że dziewięć z 20 najwyżej ocenionych zgłoszeń w konkursie OpenADMET, który odbył się wcześniej w 2026 r., wykorzystywało CheMeleon w procesach przewidywania właściwości cząsteczek, których wcześniej nie zsyntetyzowano.

MIT poinformował, że kilka firm farmaceutycznych regularnie korzysta z modelu. Green powiedział, że co najmniej jedna nieujawniona z nazwy firma poleciła pracownikom, by przy modelowaniu dowolnej właściwości zaczynali od CheMeleon.

Otwarty dostęp i praktyczne ograniczenia

CheMeleon i jego struktura wstępnego trenowania są otwartoźródłowe, a użytkownicy mogą pobrać i dostroić model za pomocą ChemProp — oprogramowania opracowanego i utrzymywanego przez zespół Greena. W projekcie współpracują także badacze inżynierii chemicznej z MIT oraz naukowcy BASF SE z Niemiec: Jochen Sieg, Christian Feldmann i Miriam Mathea.

Dla zespołów zajmujących się odkrywaniem nowych związków praktyczne znaczenie modelu polega na tym, że stanowi on punkt wyjścia do wielokrotnego wykorzystania, gdy dostępnych jest niewiele danych treningowych bezpośrednio związanych z nową właściwością. Opublikowane wyniki testów porównawczych i wczesne wdrożenia pokazują, że CheMeleon wyszedł poza etap demonstracji w pojedynczym laboratorium, ale nadal służy przede wszystkim do ustalania priorytetów: związki wskazane przez model wciąż wymagają badań eksperymentalnych, które pozwolą określić ich rzeczywiste zachowanie.