MIT informa que CheMeleon lideró 58 pruebas de predicción de propiedades moleculares

Un equipo de MIT desarrolló CheMeleon, un modelo de aprendizaje automático que busca predecir propiedades moleculares cuando hay pocos datos disponibles para una tarea concreta. MIT informa que, en una comparación de 58 casos de prueba, el modelo quedó primero o alcanzó resultados estadísticamente indistinguibles de los mejores según los criterios utilizados. Su estrategia es preentrenar una red neuronal para predecir descriptores calculados de moléculas y después ajustarla a propiedades específicas.

Predecir cómo se comportará un compuesto podría ayudar a seleccionar cuáles sintetizar y probar. Según MIT, el descubrimiento de moléculas sigue siendo en gran medida un proceso de ensayo y error: no hay una manera de anticipar perfectamente la variedad de propiedades y respuestas de un compuesto. CheMeleon pretende contribuir a reducir el conjunto de candidatos que requieren investigación experimental, no eliminar la necesidad de esas pruebas.

Aprender a partir de descriptores

CheMeleon se preentrenó con información 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 esa etapa, en lugar de aprender a partir de mediciones experimentales de una propiedad concreta, el modelo predice valores de un catálogo de aproximadamente 1.600 descriptores moleculares calculados. MIT menciona como ejemplos el peso molecular y el número de átomos de oxígeno.

La propuesta es que la red aprenda patrones entre la estructura de una molécula y esos descriptores. Luego, el modelo puede ajustarse (fine-tuning) para predecir propiedades determinadas, como solubilidad, viscosidad, bioactividad o reactividad frente a una proteína o enzima. Así, para abordar una tarea nueva, no tendría que aprender desde cero todas las relaciones entre estructura y propiedad.

El preprint de los autores describe CheMeleon como una red neuronal de paso de mensajes dirigidos (D-MPNN), preentrenada para predecir descriptores Mordred calculados para un millón de moléculas. Presenta esos descriptores como objetivos de entrenamiento deterministas y de bajo ruido, y señala que el método combina información química codificada en descriptores con representaciones aprendidas por una red neuronal. Este planteamiento explica la metodología, pero no demuestra por sí solo el rendimiento en aplicaciones distintas de las evaluadas.

Resultados en conjuntos de referencia

MIT informa que el equipo comparó el método con otros modelos fundacionales y con modelos clásicos basados en principios diseñados por especialistas. El preprint describe una evaluación en 58 conjuntos de referencia de Polaris y MoleculeACE. Los autores informan tasas de victorias del 75% en tareas de Polaris y del 97% en ensayos de MoleculeACE. En el resumen del preprint, una victoria incluye el mejor resultado o uno estadísticamente indistinguible del mejor bajo los criterios de evaluación utilizados.

Estas cifras resumen resultados en los conjuntos y bajo los criterios descritos por los autores. No son una tasa de acierto general para cualquier problema químico ni demuestran que el modelo supere a otros métodos en todas las propiedades o condiciones de uso. La noticia de MIT y el preprint describen el mismo trabajo: el preprint aporta detalles metodológicos y de evaluación, pero no constituye una corroboración independiente de la noticia.

Aplicaciones y recursos necesarios

MIT plantea que las predicciones podrían orientar qué moléculas conviene estudiar experimentalmente, en un proceso que puede ser lento y costoso. La noticia también informa que varias empresas farmacéuticas han utilizado CheMeleon y que nueve de las veinte propuestas mejor clasificadas en una competición organizada por OpenADMET habían empleado el modelo. Son ejemplos de uso e interés comunicados por la fuente institucional; no constituyen por sí mismos una evaluación independiente de la precisión en productos o programas concretos.

El repositorio de los autores documenta cómo ajustar CheMeleon con Chemprop 2.2.0 o posterior y cómo generar huellas moleculares sin ajuste. También indica que reproducir el estudio requiere recursos computacionales considerables: calcular características para un millón de cadenas SMILES tomó aproximadamente 500 horas de CPU, y el preentrenamiento de CheMeleon, alrededor de 1.000 horas de GPU. Esos recursos corresponden a la reproducción descrita en el repositorio, no al coste de cada predicción o ajuste individual.

En conjunto, CheMeleon combina un preentrenamiento con descriptores calculados y un ajuste posterior a propiedades moleculares específicas. Los resultados comunicados respaldan su desempeño en las evaluaciones examinadas por los autores; su utilidad en una aplicación concreta depende de los datos y de las comprobaciones pertinentes.