MIT เผยรายละเอียดโมเดล CheMeleon สำหรับการทำนายโมเลกุลเมื่อมีข้อมูลน้อย

MIT News เผยรายละเอียดเกี่ยวกับ CheMeleon เมื่อวันที่ 6 พฤศจิกายน 2026 โดยนำเสนอโมเดลพื้นฐานด้านโมเลกุลแบบโอเพนซอร์สที่ออกแบบมาเพื่อทำนายคุณสมบัติทางเคมีในกรณีที่มีข้อมูลการทดลองเฉพาะงานอยู่อย่างจำกัด นักวิจัยจาก MIT และ BASF พัฒนาโมเดลนี้ขึ้นเพื่อใช้จัดลำดับความสำคัญของโมเลกุลสำหรับการค้นคว้ายาและวัสดุ

บทความ ที่ผ่านการประเมินโดยผู้ทรงคุณวุฒิซึ่งเป็นที่มาของโมเดลนี้เผยแพร่ก่อนการประกาศดังกล่าว โดยเผยแพร่ทางออนไลน์เมื่อวันที่ 7 สิงหาคม 2026 และปรากฏในฉบับวันที่ 14 กันยายน 2026 ของ Journal of Chemical Information and Modeling ส่วนฉบับก่อนหน้านี้เผยแพร่ทางออนไลน์มาตั้งแต่ปี 2025

หนึ่งในสถานการณ์เป้าหมายคือการประเมินความสามารถในการจับกับลิแกนด์ของเป้าหมายยาในเซลล์ที่เพิ่งค้นพบ ซึ่งนักวิจัยมีข้อมูลวัดคุณสมบัติที่สนใจเพียงเล็กน้อย และต้องตัดสินใจว่าสารประกอบใดควรนำไปสังเคราะห์และทดสอบ CheMeleon มีหน้าที่ช่วยคัดกรองกลุ่มตัวเลือกให้แคบลง ไม่ใช่ทำให้สามารถคาดการณ์พฤติกรรมของโมเลกุลได้อย่างสมบูรณ์แบบ

การฝึกเบื้องต้นด้วยตัวบ่งชี้ที่คำนวณได้

CheMeleon ผ่านการฝึกเบื้องต้นด้วยโมเลกุลประมาณ 1 ล้านโมเลกุลจาก PubChem และตัวบ่งชี้ระดับโมเลกุลราว 1,600 รายการ ซึ่งนักเคมีพัฒนาขึ้นตลอดหลายทศวรรษ เป้าหมายในการฝึกได้มาจากการคำนวณ ไม่ใช่การรวบรวมจากเอกสารงานทดลองที่ตีพิมพ์ ตัวอย่างได้แก่ มวลโมเลกุลและจำนวนอะตอมออกซิเจน การฝึกแบบมีผู้สอนในขั้นต้นนี้ใช้ตัวบ่งชี้ที่คำนวณได้และมีสัญญาณรบกวนต่ำ เพื่อสร้างตัวแทนข้อมูลของโมเลกุลที่สามารถถ่ายโอนไปใช้กับงานอื่นได้

จากนั้นจึงปรับแต่งโมเดลที่ผ่านการฝึกเบื้องต้นแล้วด้วยข้อมูลเฉพาะงานจำนวนเล็กน้อย เพื่อทำนายคุณสมบัติต่าง ๆ เช่น การละลาย ความหนืด ฤทธิ์ทางชีวภาพ หรือการเกิดปฏิกิริยากับโปรตีนหรือเอนไซม์ชนิดใดชนิดหนึ่ง CheMeleon เป็นโมเดลพื้นฐานที่มีพารามิเตอร์ประมาณ 10 ล้านตัว และพัฒนาขึ้นสำหรับโครงข่ายประสาทเทียมแบบส่งผ่านข้อความโดยตรง

Akshat Shirish Zalte นักศึกษาระดับบัณฑิตศึกษาของ MIT เปรียบเทียบแนวทางนี้กับโมเดลแบบดั้งเดิมที่ขับเคลื่อนโดยผู้เชี่ยวชาญ ซึ่งผู้เชี่ยวชาญจะกำหนดด้วยตนเองว่าตัวบ่งชี้ต่าง ๆ เช่น ขนาดโมเลกุล การแตกแขนง หรือความเทอะทะ อาจสัมพันธ์กับคุณสมบัติอย่างการละลายอย่างไร ส่วน CheMeleon เรียนรู้ความสัมพันธ์ทางเคมีทั่วไปในระหว่างการฝึกเบื้องต้น จึงไม่จำเป็นต้องให้โครงข่ายเรียนรู้ทุกอย่างใหม่ตั้งแต่ต้นสำหรับงานแต่ละอย่าง

ผลการทดสอบมาตรฐานและการนำไปใช้ที่มีรายงาน

นักวิจัยประเมิน CheMeleon ด้วยชุดข้อมูลทดสอบมาตรฐาน 58 ชุด ซึ่งครอบคลุมคุณสมบัติที่เกี่ยวข้องกับการค้นคว้ายาสำหรับโมเลกุลขนาดเล็ก โดยใช้ข้อมูลจากโครงการริเริ่ม Polaris ซึ่งเป็นโครงการทดสอบมาตรฐานที่นำโดยภาคอุตสาหกรรม ตามผลการเปรียบเทียบทางสถิติที่ผู้เขียนรายงาน CheMeleon ทำได้ดีกว่าแบบจำลองพื้นฐานแบบดั้งเดิม ซึ่งรวมถึง Random Forest ที่ใช้ลายนิ้วมือระดับโมเลกุลและตัวบ่งชี้ ตลอดจนโมเดลพื้นฐานที่มีอยู่แล้ว

William Green ศาสตราจารย์ด้านวิศวกรรมเคมีประจำตำแหน่ง Hoyt Hottel แห่ง MIT กล่าวว่าโมเดลนี้ช่วยลดจำนวนโมเลกุลที่ต้องทดสอบจริงอย่างมาก เพื่อให้ทำนายคุณสมบัติของสารประกอบใหม่ได้อย่างแม่นยำ โดยประโยชน์ดังกล่าวเชื่อมโยงกับเวลาและค่าใช้จ่ายในการสังเคราะห์และทดสอบ

Green กล่าวว่า ผลงาน 9 รายการจาก 20 อันดับแรกในการแข่งขัน OpenADMET ซึ่งจัดขึ้นเมื่อต้นปี 2026 ใช้ CheMeleon ในกระบวนการทำงานเพื่อทำนายคุณสมบัติของโมเลกุลที่ไม่เคยสังเคราะห์มาก่อน

MIT รายงานว่าบริษัทเภสัชกรรมหลายแห่งใช้ CheMeleon เป็นประจำ Green กล่าวว่า มีบริษัทที่ไม่เปิดเผยชื่ออย่างน้อยหนึ่งแห่งสั่งให้พนักงานเริ่มต้นด้วย CheMeleon ทุกครั้งที่สร้างแบบจำลองคุณสมบัติใด ๆ

การเปิดให้ใช้งานและข้อจำกัดในทางปฏิบัติ

CheMeleon และกรอบการฝึกเบื้องต้นเป็นโอเพนซอร์ส ผู้ใช้สามารถดาวน์โหลดและปรับแต่งโมเดลผ่าน ChemProp ซึ่งเป็นซอฟต์แวร์ที่พัฒนาและดูแลโดยกลุ่มวิจัยของ Green โครงการนี้ยังเป็นความร่วมมือระหว่างนักวิจัยด้านวิศวกรรมเคมีของ MIT กับนักวิทยาศาสตร์จาก BASF SE ได้แก่ Jochen Sieg, Christian Feldmann และ Miriam Mathea ในเยอรมนี

สำหรับทีมค้นคว้า ประโยชน์ในทางปฏิบัติคือการมีจุดเริ่มต้นที่นำกลับมาใช้ได้ เมื่อคุณสมบัติใหม่มีข้อมูลฝึกที่เกี่ยวข้องโดยตรงอยู่น้อย ผลการทดสอบมาตรฐานที่รายงานและการนำไปใช้ในระยะแรกแสดงให้เห็นว่า CheMeleon ก้าวพ้นการสาธิตในห้องปฏิบัติการแห่งเดียวแล้ว แต่บทบาทของโมเดลยังคงเป็นการจัดลำดับความสำคัญ โดยสารประกอบที่โมเดลเลือกยังต้องผ่านการทดลองเพื่อยืนยันพฤติกรรมที่แท้จริง