MIT подробно описывает модель CheMeleon для прогнозирования свойств молекул при нехватке данных

MIT News подробно рассказало о CheMeleon 6 ноября 2026 года, представив эту открытую базовую модель для прогнозирования химических свойств в условиях нехватки экспериментальных данных, специфичных для конкретной задачи. Модель разработали исследователи MIT и BASF; она предназначена для отбора молекул, перспективных для разработки лекарств и материалов.

Рецензируемая статья, посвящённая модели, вышла до объявления о ней. Она была опубликована онлайн 7 августа 2026 года, а 14 сентября 2026 года появилась в выпуске журнала Journal of Chemical Information and Modeling; более ранняя версия находилась в открытом доступе с 2025 года.

Одна из задач — оценить сродство лиганда к недавно обнаруженной клеточной мишени для лекарства. В таких случаях у исследователей мало измерений интересующего их свойства, и им нужно решить, какие соединения стоит синтезировать и протестировать. CheMeleon помогает сузить круг кандидатов, но не позволяет с абсолютной точностью предсказывать поведение молекул.

Предварительное обучение на расчётных дескрипторах

CheMeleon предварительно обучили на примерно одном миллионе молекул из PubChem и примерно 1 600 молекулярных дескрипторах, которые химики разрабатывали на протяжении десятилетий. Целевые показатели для обучения рассчитывали, а не собирали из опубликованных экспериментальных исследований; к ним относятся, например, молекулярная масса и число атомов кислорода. При таком обучении с учителем используются малошумные дескрипторы, значения которых можно рассчитать, чтобы сформировать представления о молекулах, применимые и к другим задачам.

Затем ту же предварительно обученную модель можно дообучить на небольшом объёме данных для конкретной задачи, например для прогнозирования растворимости, вязкости, биологической активности или реакционной способности по отношению к определённому белку или ферменту. CheMeleon — базовая модель примерно с 10 миллионами параметров, разработанная для нейронных сетей с направленной передачей сообщений.

Аспирант MIT Акшат Шириш Залте противопоставил этот подход классическим моделям, основанным на экспертных знаниях: в таких моделях специалисты вручную задают, как дескрипторы — например, размер молекулы, разветвлённость или объёмность — могут быть связаны с определённым свойством, таким как растворимость. CheMeleon вместо этого изучает общие химические закономерности на этапе предварительного обучения, поэтому при переходе к каждой новой задаче сети не приходится учиться всему с нуля.

Результаты тестирования и сведения о применении

Исследователи оценили CheMeleon на 58 эталонных наборах данных, охватывающих свойства, важные для разработки лекарств на основе малых молекул. Данные были взяты из инициативы Polaris по сравнительному тестированию, возглавляемой представителями отрасли. Согласно приведённым авторами результатам статистического сравнения, CheMeleon показала лучшие результаты, чем классические базовые модели, включая случайный лес, применённый к молекулярным отпечаткам и дескрипторам, а также существующие базовые модели.

Уильям Грин, профессор химической инженерии имени Хойта Хоттела в MIT, заявил, что модель значительно сокращает число молекул, которые необходимо экспериментально протестировать, чтобы точно прогнозировать свойства новых соединений. По его словам, это позволяет сэкономить время и средства, затрачиваемые на синтез и тестирование.

Грин сообщил, что девять из 20 лучших участников конкурса OpenADMET, прошедшего ранее в 2026 году, использовали CheMeleon в рабочих процессах для прогнозирования свойств молекул, которые прежде не синтезировали.

MIT сообщила, что модель регулярно используют несколько фармацевтических компаний. Грин отметил, что как минимум одна неназванная компания поручила сотрудникам начинать с CheMeleon при моделировании любого свойства.

Открытый доступ и практические ограничения

CheMeleon и её платформа для предварительного обучения распространяются с открытым исходным кодом. Пользователи могут скачать и дообучить модель с помощью ChemProp — программного обеспечения, разработанного и поддерживаемого группой Грина. В проекте также участвуют исследователи химической инженерии MIT и учёные BASF SE из Германии Йохен Зиг, Кристиан Фельдман и Мириам Матеа.

Для команд, занимающихся разработкой новых соединений, практическая ценность модели заключается в том, что она даёт готовую основу для работы с новым свойством, если подходящих обучающих данных мало. Результаты тестирования и первые примеры применения показывают, что CheMeleon вышла за рамки демонстрации в одной лаборатории, однако её задача по-прежнему состоит в отборе приоритетных кандидатов: соединения, которые модель считает перспективными, всё равно необходимо исследовать экспериментально, чтобы установить их фактические свойства.