CheMeleon: el modelo del MIT que predice propiedades moleculares con pocos datos

CheMeleon, un modelo abierto desarrollado por investigadores del MIT, aprende patrones químicos a partir de descriptores calculados para alrededor de un millón de moléculas y luego puede adaptarse a tareas con pocos datos. Sus autores reportaron que superó otros enfoques en 58 casos; además, según William Green, nueve de los 20 trabajos mejor clasificados en un concurso recurrieron al modelo.
***

• El modelo se preentrenó con descriptores calculados para cerca de un millón de moléculas de PubChem, no con literatura química.
• El estudio describe el uso de 24 descriptores moleculares; el equipo afirma que CheMeleon superó otros métodos en 58 casos de prueba.
• Según William Green, nueve de los 20 trabajos mejor clasificados en un concurso de OpenADMET utilizaron el modelo, disponible como código abierto.

CheMeleon es un modelo de aprendizaje automático diseñado para predecir propiedades de moléculas cuando hay pocos datos experimentales disponibles. Sus creadores sostienen que el método puede orientar la selección de compuestos para nuevos fármacos o materiales y reducir la cantidad de pruebas costosas que hace falta realizar en laboratorio.

Un modelo general para tareas con pocos datos

Desarrollar una molécula para un uso específico suele implicar numerosos ciclos de diseño, síntesis y evaluación, porque la estructura química no permite anticipar por sí sola todas sus propiedades. El equipo del Instituto Tecnológico de Massachusetts (MIT) propone usar CheMeleon para seleccionar mejor qué compuestos merecen pasar a pruebas experimentales, especialmente cuando la propiedad de interés tiene pocos datos disponibles.

El modelo puede adaptarse a tareas distintas, desde estimar solubilidad y viscosidad hasta evaluar bioactividad o reactividad frente a una proteína o una enzima. MIT News informó que el método fue concebido para situaciones en las que faltan mediciones sobre una propiedad tecnológicamente relevante, como la afinidad de ligandos por un nuevo objetivo celular asociado con un posible fármaco.

La propuesta no consiste en eliminar la experimentación, sino en apoyar las decisiones que la preceden. Si un modelo identifica compuestos con mayor probabilidad de mostrar una característica buscada, los investigadores pueden concentrar parte de sus recursos en un grupo más reducido, aunque las predicciones todavía deben contrastarse mediante síntesis y pruebas.

CheMeleon se distingue por el orden de su entrenamiento: primero aprende relaciones entre estructuras moleculares y descriptores calculables; después se ajusta a una tarea particular. Según Akshat Shirish Zalte, estudiante de posgrado del MIT y autor del trabajo, esa etapa inicial permite que el modelo no tenga que aprender desde cero cuando recibe solo unos pocos datos de la propiedad que se desea predecir.

Cómo aprende a partir de descriptores

Para el preentrenamiento, el equipo usó información de alrededor de un millón de moléculas de PubChem, una base de datos química de acceso libre mantenida por los Institutos Nacionales de Salud de Estados Unidos. En lugar de alimentar el sistema con literatura científica, calculó descriptores moleculares, entre ellos el peso molecular y el número de átomos de oxígeno, y entrenó la red neuronal para predecirlos.

Los descriptores representan características cuantificables de una molécula y permiten relacionar su estructura con aspectos de su comportamiento. El estudio describe el uso de 24 descriptores moleculares de bajo ruido que pueden calcularse a partir de las estructuras químicas. Esto permite que el sistema aprenda relaciones entre moléculas y características cuantificables antes de adaptarse a una pregunta concreta.

El sistema aprende patrones a partir de esos ejemplos y luego los aplica a moléculas que no conoce. Un millón de compuestos es una fracción pequeña del enorme espacio de estructuras químicas posibles, pero los investigadores argumentan que basta para que el modelo capture relaciones útiles antes de adaptarlo a una pregunta concreta.

Ese proceso contrasta con modelos clásicos diseñados por especialistas, que suelen incorporar de forma explícita conocimientos sobre la relación entre descriptores y propiedades. Zalte señaló que, en su método, el equipo no entrenó el modelo para una propiedad específica ni consultó literatura química durante el preentrenamiento; la estrategia fue enseñarle primero a predecir descriptores y aprovechar después lo aprendido.

Resultados y adopción inicial

Los investigadores compararon CheMeleon con otros modelos fundacionales y con métodos clásicos basados en principios definidos por expertos. En 58 casos de prueba, Zalte dijo que el modelo obtuvo un desempeño superior al de los enfoques de referencia considerados en el estudio, un resultado que el equipo presenta como evidencia de su utilidad en escenarios con datos limitados.

El modelo también llamó la atención durante un concurso organizado por OpenADMET, centrado en predecir propiedades de moléculas nuevas que aún no habían sido sintetizadas. William Green, profesor Hoyt Hottel de Ingeniería Química del MIT, indicó que nueve de los 20 trabajos mejor clasificados habían utilizado CheMeleon como parte de su proceso.

Green relató que, después de ese concurso, varias empresas farmacéuticas contactaron al equipo mientras el artículo aún atravesaba la revisión por pares. También contó que al menos una compañía envió a su personal una instrucción interna para comenzar con CheMeleon cada vez que modelara una propiedad, aunque el artículo no identifica a esa empresa ni detalla cómo aplica la recomendación.

La adopción temprana no equivale a una validación independiente de todas las predicciones ni demuestra que el modelo funcione igual de bien en cualquier tarea. Sí muestra que algunas organizaciones ya lo consideran como una herramienta inicial de selección, una etapa en la que reducir opciones puede ser relevante antes de asumir el costo de sintetizar y probar muchos compuestos.

Publicación, acceso y límites

El estudio, titulado Deep learning foundation models for low-data regimes from classical molecular descriptors, apareció en la edición del 14 de septiembre de la revista Journal of Chemical Information and Modeling. La investigación fue realizada por Zalte, Jackson Burns, Charlles Abreu y Green, junto con Jochen Sieg, Christian Feldmann y Miriam Mathea, investigadores de BASF SE en Alemania.

Una versión anterior del artículo había aparecido en línea el año previo al anuncio del MIT, y el modelo ya estaba disponible como proyecto de código abierto. CheMeleon se construyó sobre ChemProp, un paquete de aprendizaje automático que el grupo de Green desarrolla y mantiene, y puede descargarse mediante esa herramienta para ajustarlo a distintas necesidades.

El acceso abierto facilita que otros equipos prueben el método, pero no elimina la necesidad de elegir datos adecuados ni de comprobar experimentalmente los resultados. La predicción depende de la tarea concreta y de la información disponible para el ajuste fino, por lo que el rendimiento observado en los casos estudiados no debe interpretarse como una garantía universal para cualquier molécula o propiedad.

El trabajo recibió apoyo del consorcio Machine Learning for Pharmaceutical Discovery and Synthesis, además de becas del Departamento de Energía de Estados Unidos y de MathWorks. El aporte central de CheMeleon es ofrecer una manera de reutilizar patrones aprendidos de muchas moléculas cuando una nueva pregunta química cuenta con pocos ejemplos, con la promesa de hacer más eficiente la selección, no de reemplazar la síntesis ni los ensayos.

ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín