MIT создал CheMeleon для прогноза свойств молекул при дефиците данных

Исследователи MIT совместно с BASF представили CheMeleon — предобученную модель машинного обучения для прогноза свойств молекул при небольшом объёме данных. Система обучалась примерно на миллионе молекул и около 1 600 химических дескрипторах, а в сравнении по 58 тестовым сценариям превзошла другие foundation-модели и классические экспертные подходы.

CheMeleon предназначен для задач, где экспериментальных измерений мало: например, при поиске лигандов для недавно обнаруженной клеточной мишени потенциального лекарства. После предобучения модель можно донастроить под конкретное свойство — от растворимости и вязкости до биоактивности или реакционной способности с определённым белком либо ферментом.

Как обучали модель

Основой для CheMeleon стала открытая библиотека ChemProp, которую также разрабатывает и поддерживает группа профессора MIT Уильяма Грина. Для предобучения команда использовала сведения о соединениях из PubChem — открытой базы химической информации Национальных институтов здравоохранения США.

Вместо анализа публикаций модель училась предсказывать вычисляемые характеристики молекул. Среди таких признаков — молекулярная масса, число атомов кислорода и другие дескрипторы, которыми химики пользуются десятилетиями. Авторы подчёркивают, что система не обучалась сразу на одной целевой характеристике: она должна была выявить общие связи между строением вещества и его описанием.

Что показала проверка

По словам аспиранта MIT Акшата Залте, исследователи сопоставили CheMeleon не только с другими фундаментальными моделями, но и с методами, опирающимися на заложенные экспертами правила. В 58 случаях сравнения разработка показала лучший результат.

Отдельным подтверждением стал конкурс OpenADMET по предсказанию свойств ранее не синтезированных молекул. Девять из 20 лучших работ использовали CheMeleon в своём процессе. Открытую модель можно скачать через ChemProp и дообучить для собственной задачи.

Практический смысл

Синтез и лабораторная проверка большого числа соединений требуют времени и средств. CheMeleon не заменяет эксперименты, но помогает сузить список кандидатов до начала такой работы. Для фармацевтических, химических, энергетических и электронных компаний это означает возможность использовать единую предобученную модель там, где данных для отдельной задачи пока недостаточно.

Работу поддержали консорциум Machine Learning for Pharmaceutical Discovery and Synthesis, Министерство энергетики США и MathWorks. Результаты опубликованы в Journal of Chemical Information and Modeling.