CheMeleon ubrzava predviđanje svojstava molekula uz malo podataka
MIT je predstavio CheMeleon, model mašinskog učenja za predviđanje svojstava molekula kada je dostupno malo podataka. Sistem je prethodno učen na oko milion molekula i približno 1.600 hemijskih deskriptora, a zatim se prilagođava konkretnom zadatku, poput procene rastvorljivosti, viskoznosti, bioaktivnosti ili reaktivnosti prema određenom proteinu ili enzimu. U poređenju kroz 58 test slučajeva, tim navodi da je model ostvario najbolji rezultat u odnosu na druge foundation modele i klasične pristupe.
Opšti model za hemijske zadatke sa malo primera
Otkrivanje novih lekova i materijala i dalje u velikoj meri zavisi od sinteze i merenja velikog broja kandidata. Problem je naročito izražen kada se istražuje nova meta, kao što je ćelijski cilj za potencijalni lek, pa za afinitet liganda ili drugo važno svojstvo postoji tek mali skup podataka.
CheMeleon ne počinje od nule za svaki takav zadatak. Prethodna obuka koristi molekulske deskriptore, uključujući molekulsku masu, broj atoma kiseonika i strukturne karakteristike, kako bi model naučio veze između strukture i ponašanja jedinjenja. Podaci za tu fazu potiču iz baze PubChem, koju održava američki National Institutes of Health.
Za razliku od pristupa koji se oslanjaju na veliki korpus naučne literature, tim navodi da pri prethodnoj obuci nije koristio radove iz hemijskih časopisa. Umesto toga, model predviđa izračunljive deskriptore molekula, a stečeno razumevanje zatim se prenosi na uži problem sa ograničenim brojem merenja.
Provera na takmičenju i dostupnost alata
Model je izgrađen uz ChemProp, otvoreni paket za mašinsko učenje koji razvija i održava grupa profesora Williama Greena na MIT-u. CheMeleon je dostupan za preuzimanje kroz ChemProp, gde korisnici mogu da ga dodatno prilagode sopstvenim podacima i svojstvu koje žele da procenjuju.
Na takmičenju OpenADMET, posvećenom predviđanju svojstava novih molekula koji prethodno nisu sintetisani, devet od 20 najbolje rangiranih prijava koristilo je CheMeleon u svom postupku. Rad o modelu objavljen je u časopisu Journal of Chemical Information and Modeling, a u istraživanju su, pored MIT-a, učestvovali i stručnjaci kompanije BASF SE.
Poslovni značaj
Vrednost ovakvog pristupa je u ranijem i užem izboru kandidata za laboratorijski rad. MIT ističe da model može znatno smanjiti broj molekula koje treba eksperimentalno testirati da bi se tačno predvidela svojstva novih jedinjenja, dok sinteza i testiranje velikog broja molekula ostaju spori i skupi. Za poslovne timove to znači da prethodno obučeni modeli mogu pomoći u određivanju prioriteta za eksperimente, uz laboratorijsku proveru kao završni korak odlučivanja.