MIT riferisce che CheMeleon ha guidato 58 test di previsione delle proprietà molecolari

Un team del MIT ha sviluppato CheMeleon, un modello di apprendimento automatico che mira a prevedere le proprietà molecolari quando sono disponibili pochi dati per un compito specifico. MIT riferisce che, in un confronto di 58 casi di prova, il modello si è classificato al primo posto o ha raggiunto risultati statisticamente indistinguibili dai migliori secondo i criteri utilizzati. La strategia consiste nel preaddestrare una rete neurale per prevedere descrittori calcolati delle molecole e poi adattarla a proprietà specifiche.

Prevedere come si comporterà un composto potrebbe aiutare a selezionare quali sintetizzare e testare. Secondo MIT, la scoperta di molecole è ancora in gran parte un processo per tentativi ed errori: non esiste un modo per anticipare perfettamente la varietà di proprietà e risposte di un composto. CheMeleon intende contribuire a ridurre l’insieme dei candidati che richiedono indagini sperimentali, non a eliminare la necessità di tali test.

Apprendere dai descrittori

CheMeleon è stato preaddestrato con informazioni su un milione di molecole di PubChem, un database chimico ad accesso libero gestito dai National Institutes of Health degli Stati Uniti. In questa fase, invece di apprendere dalle misurazioni sperimentali di una proprietà specifica, il modello prevede i valori di un catalogo di circa 1.600 descrittori molecolari calcolati. MIT cita come esempi il peso molecolare e il numero di atomi di ossigeno.

L’idea è che la rete apprenda schemi tra la struttura di una molecola e questi descrittori. Il modello può poi essere adattato (fine-tuning) per prevedere proprietà specifiche, come solubilità, viscosità, bioattività o reattività rispetto a una proteina o a un enzima. In questo modo, per affrontare un nuovo compito, non dovrebbe apprendere da zero tutte le relazioni tra struttura e proprietà.

Il preprint degli autori descrive CheMeleon come una rete neurale a passaggio di messaggi diretti (D-MPNN), preaddestrata per prevedere descrittori Mordred calcolati per un milione di molecole. Presenta tali descrittori come obiettivi di addestramento deterministici e a basso rumore e afferma che il metodo combina informazioni chimiche codificate nei descrittori con rappresentazioni apprese da una rete neurale. Questo approccio spiega la metodologia, ma non dimostra di per sé le prestazioni in applicazioni diverse da quelle valutate.

Risultati nei set di riferimento

MIT riferisce che il team ha confrontato il metodo con altri modelli fondazionali e con modelli classici basati su principi progettati da specialisti. Il preprint descrive una valutazione su 58 set di riferimento di Polaris e MoleculeACE. Gli autori riportano tassi di vittoria del 75% nei compiti di Polaris e del 97% nei test di MoleculeACE. Nell’abstract del preprint, una vittoria include il risultato migliore o uno statisticamente indistinguibile dal migliore secondo i criteri di valutazione utilizzati.

Queste cifre riassumono i risultati ottenuti nei set e secondo i criteri descritti dagli autori. Non rappresentano un tasso di successo generale per qualsiasi problema chimico, né dimostrano che il modello superi altri metodi per tutte le proprietà o condizioni d’uso. La notizia di MIT e il preprint descrivono lo stesso lavoro: il preprint fornisce dettagli metodologici e di valutazione, ma non costituisce una conferma indipendente della notizia.

Applicazioni e risorse necessarie

MIT ipotizza che le previsioni possano orientare la scelta delle molecole da studiare sperimentalmente, in un processo che può essere lento e costoso. La notizia riferisce inoltre che diverse aziende farmaceutiche hanno utilizzato CheMeleon e che nove delle venti proposte meglio classificate in una competizione organizzata da OpenADMET avevano impiegato il modello. Sono esempi di utilizzo e interesse comunicati dalla fonte istituzionale; non costituiscono di per sé una valutazione indipendente della precisione in prodotti o programmi specifici.

Il repository degli autori documenta come adattare CheMeleon con Chemprop 2.2.0 o versioni successive e come generare impronte molecolari senza adattamento. Indica inoltre che riprodurre lo studio richiede notevoli risorse computazionali: calcolare le caratteristiche per un milione di stringhe SMILES ha richiesto circa 500 ore di CPU e il preaddestramento di CheMeleon circa 1.000 ore di GPU. Queste risorse riguardano la riproduzione descritta nel repository, non il costo di ogni singola previsione o adattamento.

Nel complesso, CheMeleon combina un preaddestramento con descrittori calcolati e un successivo adattamento a proprietà molecolari specifiche. I risultati riportati supportano le sue prestazioni nelle valutazioni esaminate dagli autori; la sua utilità in una specifica applicazione dipende dai dati e dalle verifiche pertinenti.