MIT berichtet, dass CheMeleon bei 58 Tests zur Vorhersage molekularer Eigenschaften führend war

Ein Team am MIT entwickelte CheMeleon, ein maschinelles Lernmodell, das molekulare Eigenschaften vorhersagen soll, wenn für eine bestimmte Aufgabe nur wenige Daten verfügbar sind. MIT berichtet, dass das Modell in einem Vergleich von 58 Testfällen nach den verwendeten Kriterien den ersten Platz belegte oder Ergebnisse erzielte, die statistisch nicht von den besten zu unterscheiden waren. Die Strategie besteht darin, ein neuronales Netz darauf vorzutrainieren, berechnete Moleküldeskriptoren vorherzusagen, und es anschließend auf spezifische Eigenschaften anzupassen.

Die Vorhersage, wie sich eine Verbindung verhalten wird, könnte dabei helfen, auszuwählen, welche Verbindungen synthetisiert und getestet werden sollen. Laut MIT ist die Entdeckung von Molekülen nach wie vor weitgehend ein Prozess des Ausprobierens: Es gibt keine Möglichkeit, die Vielfalt der Eigenschaften und Reaktionen einer Verbindung perfekt vorherzusagen. CheMeleon soll dazu beitragen, die Zahl der Kandidaten zu verringern, die experimentell untersucht werden müssen, nicht aber die Notwendigkeit solcher Tests beseitigen.

Lernen anhand von Deskriptoren

CheMeleon wurde mit Informationen zu einer Million Molekülen aus PubChem vortrainiert, einer frei zugänglichen chemischen Datenbank, die von den National Institutes of Health der Vereinigten Staaten betrieben wird. In dieser Phase lernt das Modell nicht anhand experimenteller Messungen einer bestimmten Eigenschaft, sondern sagt Werte aus einem Katalog von ungefähr 1.600 berechneten Moleküldeskriptoren voraus. MIT nennt als Beispiele das Molekulargewicht und die Anzahl der Sauerstoffatome.

Der Ansatz soll dem neuronalen Netz ermöglichen, Muster zwischen der Struktur eines Moleküls und diesen Deskriptoren zu lernen. Anschließend kann das Modell durch Anpassung (Fine-Tuning) auf die Vorhersage bestimmter Eigenschaften zugeschnitten werden, etwa Löslichkeit, Viskosität, Bioaktivität oder Reaktivität gegenüber einem Protein oder Enzym. Bei einer neuen Aufgabe müsste es dann nicht alle Zusammenhänge zwischen Struktur und Eigenschaft von Grund auf neu lernen.

Der Preprint der Autoren beschreibt CheMeleon als neuronales Directed Message Passing Neural Network (D-MPNN), das darauf vortrainiert wurde, für eine Million Moleküle berechnete Mordred-Deskriptoren vorherzusagen. Er stellt diese Deskriptoren als deterministische Trainingsziele mit geringem Rauschen dar und weist darauf hin, dass die Methode in Deskriptoren kodierte chemische Informationen mit den von einem neuronalen Netz erlernten Repräsentationen kombiniert. Dieser Ansatz erläutert die Methodik, belegt für sich genommen jedoch nicht die Leistungsfähigkeit in anderen als den evaluierten Anwendungen.

Ergebnisse in Referenzdatensätzen

MIT berichtet, dass das Team die Methode mit anderen Foundation Models und klassischen, auf von Fachleuten entwickelten Prinzipien basierenden Modellen verglichen hat. Der Preprint beschreibt eine Evaluation anhand von 58 Referenzdatensätzen von Polaris und MoleculeACE. Die Autoren berichten von Siegesraten von 75% bei Polaris-Aufgaben und 97% bei MoleculeACE-Assays. In der Zusammenfassung des Preprints umfasst ein Sieg entweder das beste Ergebnis oder ein Ergebnis, das nach den verwendeten Bewertungskriterien statistisch nicht vom besten zu unterscheiden ist.

Diese Zahlen fassen Ergebnisse aus den von den Autoren beschriebenen Datensätzen und nach den von ihnen angegebenen Kriterien zusammen. Sie sind keine allgemeine Trefferquote für jedes chemische Problem und belegen nicht, dass das Modell bei allen Eigenschaften oder Einsatzbedingungen andere Methoden übertrifft. Der MIT-Bericht und der Preprint beschreiben dieselbe Arbeit: Der Preprint liefert methodische und evaluierungsbezogene Einzelheiten, ist aber keine unabhängige Bestätigung des Berichts.

Anwendungen und erforderliche Ressourcen

MIT führt an, dass die Vorhersagen dabei helfen könnten, zu entscheiden, welche Moleküle experimentell untersucht werden sollten – ein Prozess, der langsam und kostspielig sein kann. Der Bericht informiert außerdem, dass mehrere Pharmaunternehmen CheMeleon eingesetzt haben und dass neun der zwanzig bestplatzierten Vorschläge bei einem von OpenADMET organisierten Wettbewerb das Modell verwendet hatten. Dies sind von der institutionellen Quelle mitgeteilte Beispiele für Nutzung und Interesse; für sich genommen stellen sie keine unabhängige Bewertung der Genauigkeit in konkreten Produkten oder Programmen dar.

Das Repository der Autoren dokumentiert, wie CheMeleon mit Chemprop 2.2.0 oder einer späteren Version angepasst und wie ungefine-tunte molekulare Fingerabdrücke erzeugt werden können. Außerdem wird darauf hingewiesen, dass die Reproduktion der Studie erhebliche Rechenressourcen erfordert: Die Berechnung von Merkmalen für eine Million SMILES-Zeichenketten dauerte ungefähr 500 Stunden CPU-Zeit und das Vortraining von CheMeleon etwa 1.000 Stunden GPU-Zeit. Diese Ressourcen beziehen sich auf die im Repository beschriebene Reproduktion, nicht auf die Kosten jeder einzelnen Vorhersage oder Anpassung.

Insgesamt kombiniert CheMeleon ein Vortraining mit berechneten Deskriptoren mit einer anschließenden Anpassung an spezifische molekulare Eigenschaften. Die berichteten Ergebnisse stützen seine Leistungsfähigkeit in den von den Autoren untersuchten Evaluationen; sein Nutzen in einer konkreten Anwendung hängt von den Daten und den entsprechenden Überprüfungen ab.