MIT, Az Verili Moleküler Tahmin için CheMeleon Modelini Ayrıntılarıyla Anlatıyor

MIT News, 6 Kasım 2026’da CheMeleon’u tanıttı. Bu açık kaynaklı moleküler temel model, göreve özgü deneysel verilerin yetersiz olduğu durumlarda kimyasal özellikleri tahmin etmek için tasarlandı. MIT ve BASF araştırmacıları tarafından geliştirilen modelin, ilaç ve malzeme keşfi çalışmalarında kullanılacak moleküllere öncelik verilmesine yardımcı olması amaçlanıyor.

Modelin hakem değerlendirmesinden geçmiş makalesi, duyurudan önce yayımlandı. Makale 7 Ağustos 2026’da çevrimiçi yayımlandı ve Journal of Chemical Information and Modeling dergisinin 14 Eylül 2026 tarihli sayısında yer aldı; önceki bir sürümü ise 2025’ten beri çevrimiçiydi.

Modelin hedeflendiği durumlardan biri, yakın zamanda keşfedilmiş bir hücresel ilaç hedefi için ligand afinitesinin tahmin edilmesidir. Bu durumda araştırmacıların ilgilendikleri özellik hakkında çok az ölçümü vardır ve hangi bileşiklerin sentezlenip test edilmeye değer olduğuna karar vermeleri gerekir. CheMeleon’un görevi aday havuzunu daraltmaktır; moleküler davranışı kusursuz biçimde tahmin etmek değil.

Hesaplanmış Tanımlayıcılarla Ön Eğitim

CheMeleon, PubChem’den alınan yaklaşık bir milyon molekül ve kimyagerlerin onlarca yılda geliştirdiği yaklaşık 1.600 moleküler tanımlayıcı kullanılarak önceden eğitildi. Eğitim hedefleri, yayımlanmış deneysel literatürden derlenmek yerine hesaplandı; molekül ağırlığı ve oksijen atomlarının sayısı buna örnek verilebilir. Bu gözetimli ön eğitim, başka görevlere aktarılabilen moleküler temsiller oluşturmak için düşük gürültülü ve hesaplanabilir tanımlayıcılardan yararlanıyor.

Aynı önceden eğitilmiş model, çözünürlük, viskozite, biyoaktivite ya da belirli bir protein veya enzimle tepkime gibi özellikler için az miktarda göreve özgü veriyle daha sonra ince ayardan geçirilebiliyor. CheMeleon, yönlendirilmiş mesaj geçirimli sinir ağları için geliştirilmiş ve yaklaşık 10 milyon parametreye sahip bir temel modeldir.

MIT yüksek lisans öğrencisi Akshat Shirish Zalte, bu yaklaşımı, uzmanların moleküler boyut, dallanma veya hacim gibi tanımlayıcıların çözünürlük gibi bir özellikle nasıl ilişkili olabileceğini elle kodladığı klasik, uzman odaklı modellerle karşılaştırdı. CheMeleon ise ön eğitim sırasında genel kimyasal ilişkileri öğreniyor; böylece ağın her yeni görevde her şeyi baştan öğrenmesi gerekmiyor.

Kıyaslama Sonuçları ve Bildirilen Kullanım

Araştırmacılar, CheMeleon’u küçük moleküllü ilaç keşfiyle ilgili özellikleri kapsayan ve sektör öncülüğündeki Polaris kıyaslama girişiminden alınan 58 kıyaslama veri kümesinde değerlendirdi. Yazarların bildirdiği istatistiksel karşılaştırmalarda CheMeleon; moleküler parmak izlerine ve tanımlayıcılara uygulanan Random Forest’ın yanı sıra mevcut temel modeller de dahil olmak üzere klasik temel yöntemlerden daha iyi performans gösterdi.

MIT’de Hoyt Hottel Kimya Mühendisliği Profesörü olan William Green, modelin yeni bileşiklerin özelliklerini doğru tahmin etmek için deneysel olarak test edilmesi gereken molekül sayısını büyük ölçüde azalttığını söyledi. Green, bu yararı sentezleme ve test etme süreçlerinin zaman ve maliyetiyle ilişkilendirdi.

Green, 2026’nın başlarında düzenlenen OpenADMET yarışmasında ilk 20 sıradaki katılımcıdan dokuzunun, daha önce sentezlenmemiş moleküllerin özelliklerini tahmin etmeye yönelik iş akışlarında CheMeleon kullandığını söyledi.

MIT, birkaç ilaç şirketinin modeli düzenli olarak kullandığını bildirdi. Green, adını açıklamadığı en az bir şirketin, herhangi bir özelliği modellemeye başlarken çalışanlarına önce CheMeleon’u kullanmaları talimatını verdiğini söyledi.

Açık Erişim ve Uygulamadaki Sınırlar

CheMeleon ve ön eğitim çerçevesi açık kaynaklıdır; kullanıcılar modeli Green’in araştırma grubu tarafından geliştirilen ve bakımı yapılan ChemProp yazılımı üzerinden indirip ince ayardan geçirebilir. Projede ayrıca MIT’den kimya mühendisliği araştırmacıları ile Almanya’daki BASF SE bilim insanları Jochen Sieg, Christian Feldmann ve Miriam Mathea birlikte çalışıyor.

Keşif ekipleri açısından modelin pratik önemi, yeni bir özelliğe ilişkin doğrudan ilgili eğitim verisinin az olduğu durumlarda yeniden kullanılabilir bir başlangıç noktası sunmasıdır. Bildirilen kıyaslama sonuçları ve erken dönem kullanım, CheMeleon’un tek bir laboratuvar gösteriminin ötesine geçtiğini ortaya koyuyor. Ancak modelin rolü hâlâ önceliklendirmeyle sınırlı: öne çıkardığı bileşiklerin gerçek davranışlarını belirlemek için deneysel çalışmalar yapılması gerekiyor.