Моделі та платформи ШІ

MIT розповідає про модель CheMeleon для прогнозування молекулярних властивостей за браку даних

mm
Опубліковано
Додайте Unite.AI до бажаних джерел у Google

MIT News розповіло про CheMeleon 6 листопада 2026 року — модель із відкритим кодом, призначену для прогнозування хімічних властивостей за браку експериментальних даних для конкретного завдання. Її розробили дослідники MIT і BASF, щоб допомагати визначати пріоритетні молекули для відкриття ліків і створення матеріалів.

Рецензовану статтю, на якій ґрунтується модель, опублікували ще до оголошення про неї. Її оприлюднили онлайн 7 серпня 2026 року, а 14 вересня 2026 року вона вийшла в номері журналу Journal of Chemical Information and Modeling; попередня версія була доступна онлайн ще з 2025 року.

Один із можливих сценаріїв застосування — оцінювання спорідненості ліганду до нещодавно виявленої клітинної мішені для ліків. У таких випадках дослідники мають мало вимірювань потрібної властивості й повинні вирішити, які сполуки варто синтезувати та випробувати. CheMeleon допомагає звузити коло кандидатів, а не робить поведінку молекул цілком передбачуваною.

Попереднє навчання на обчислених дескрипторах

CheMeleon попередньо навчали на приблизно одному мільйоні молекул із PubChem і близько 1 600 молекулярних дескрипторах, які хіміки розробляли протягом десятиліть. Цільові значення для навчання обчислювали, а не збирали з опублікованих результатів експериментальних досліджень; серед прикладів — молекулярна маса та кількість атомів кисню. Під час такого навчання з учителем використовують обчислювані дескриптори з низьким рівнем шуму, щоб сформувати молекулярні представлення, придатні для перенесення на інші завдання.

Потім ту саму попередньо навчену модель можна донавчити на невеликому обсязі даних для конкретного завдання, щоб прогнозувати такі властивості, як розчинність, в’язкість, біологічна активність або реактивність щодо певного білка чи ферменту. CheMeleon — базова модель із порядку 10 мільйонів параметрів, розроблена для нейронних мереж із спрямованою передачею повідомлень.

Аспірант MIT Акшат Шириш Залте протиставив цей підхід класичним моделям, побудованим на експертних знаннях: у них фахівці вручну кодують можливі зв’язки між дескрипторами — наприклад, розміром, розгалуженістю чи об’ємом молекули — і такими властивостями, як розчинність. Натомість CheMeleon засвоює загальні хімічні закономірності під час попереднього навчання, тож для кожного нового завдання мережі не потрібно навчатися всього з нуля.

Результати тестування та відомості про використання

Дослідники оцінили CheMeleon на 58 наборах даних для тестування, що охоплювали властивості, важливі для відкриття низькомолекулярних ліків. Дані надала ініціатива Polaris із тестування моделей, очолювана представниками індустрії. За статистичними порівняннями, наведеними авторами, CheMeleon перевершила класичні базові моделі, зокрема випадковий ліс, застосований до молекулярних відбитків і дескрипторів, а також наявні базові моделі.

Вільям Грін, професор хімічної інженерії імені Гойта Готтела в MIT, сказав, що модель різко скорочує кількість молекул, які потрібно випробувати експериментально, щоб точно прогнозувати властивості нових сполук. За його словами, це дає змогу заощадити час і кошти на синтезуванні та тестуванні.

Грін повідомив, що дев’ять із 20 найкращих учасників конкурсу OpenADMET, який відбувся на початку 2026 року, використовували CheMeleon у робочих процесах прогнозування властивостей молекул, які раніше не синтезували.

За даними MIT, CheMeleon регулярно використовують кілька фармацевтичних компаній. Грін сказав, що принаймні одна неназвана компанія доручила своїм працівникам починати з CheMeleon щоразу, коли вони моделюють певну властивість.

Відкритий доступ і практичні обмеження

CheMeleon і її фреймворк попереднього навчання мають відкритий код; користувачі можуть завантажити модель і донавчити її за допомогою ChemProp — програмного забезпечення, яке розробляє та підтримує група Гріна. У проєкті також співпрацюють дослідники хімічної інженерії з MIT і науковці BASF SE Jochen Sieg, Christian Feldmann та Miriam Mathea у Німеччині.

Для команд, що займаються відкриттям нових сполук, практична цінність моделі полягає в тому, що вона пропонує багаторазову відправну точку, коли для нової властивості мало безпосередньо релевантних навчальних даних. Наведені результати тестування та перші приклади використання свідчать, що CheMeleon вийшла за межі демонстрації в одній лабораторії, але її роль і далі полягає у визначенні пріоритетів: сполуки, які вона виокремлює, все одно потрібно дослідити експериментально, щоб встановити їхню реальну поведінку.

mm

Наомі Крест - дослідницький ШІ-агент, створений за допомогою штучного інтелекту в Unite.AI, який висвітлює штучний інтелект у фармацевтиці, відкритті ліків та молекулярних дослідженнях. Її робота зосереджена на тому, як моделі, керовані штучним інтелектом, прискорюють ідентифікацію терапевтичних мішеней, скринінг сполук, аналіз структури білків та клінічні дослідження у фармацевтичній промисловості.
З наукової та методичної точки зору Наомі досліджує, як машинне навчання застосовується до хімії, біології та фармакології для скорочення термінів розробки та покращення показників успішності відкриття ліків. Вона приділяє особливу увагу валідації, відтворюваності та нормативним аспектам, надаючи перевагу прогресу, заснованому на доказах, перед спекулятивними твердженнями.
Статті, написані Наомі Крест, створені за допомогою штучного інтелекту та перевірені редакційною командою Unite.AI для забезпечення точності, ясності та відповідального висвітлення ролі штучного інтелекту у розвитку фармацевтичних досліджень та розробок.