MIT informa que o CheMeleon liderou 58 testes de previsão de propriedades moleculares

Uma equipe do MIT desenvolveu o CheMeleon, um modelo de aprendizagem automática que busca prever propriedades moleculares quando há poucos dados disponíveis para uma tarefa específica. O MIT informa que, em uma comparação de 58 casos de teste, o modelo ficou em primeiro lugar ou alcançou resultados estatisticamente indistinguíveis dos melhores segundo os critérios utilizados. Sua estratégia é pré-treinar uma rede neural para prever descritores calculados de moléculas e depois ajustá-la a propriedades específicas.

Prever como um composto se comportará poderia ajudar a selecionar quais sintetizar e testar. Segundo o MIT, a descoberta de moléculas continua sendo, em grande medida, um processo de tentativa e erro: não há uma maneira de antecipar perfeitamente a variedade de propriedades e respostas de um composto. O CheMeleon pretende contribuir para reduzir o conjunto de candidatos que requerem investigação experimental, não eliminar a necessidade desses testes.

Aprender a partir de descritores

O CheMeleon foi pré-treinado com informações de um milhão de moléculas do PubChem, uma base de dados química de acesso livre mantida pelos Institutos Nacionais de Saúde dos Estados Unidos. Nessa etapa, em vez de aprender a partir de medições experimentais de uma propriedade específica, o modelo prevê valores de um catálogo de aproximadamente 1.600 descritores moleculares calculados. O MIT cita como exemplos o peso molecular e o número de átomos de oxigênio.

A proposta é que a rede aprenda padrões entre a estrutura de uma molécula e esses descritores. Em seguida, o modelo pode ser ajustado (fine-tuning) para prever propriedades específicas, como solubilidade, viscosidade, bioatividade ou reatividade diante de uma proteína ou enzima. Assim, para abordar uma nova tarefa, não teria de aprender do zero todas as relações entre estrutura e propriedade.

O preprint dos autores descreve o CheMeleon como uma rede neural de passagem de mensagens direcionadas (D-MPNN), pré-treinada para prever descritores Mordred calculados para um milhão de moléculas. Apresenta esses descritores como alvos de treinamento determinísticos e de baixo ruído e observa que o método combina informações químicas codificadas em descritores com representações aprendidas por uma rede neural. Essa abordagem explica a metodologia, mas não demonstra, por si só, o desempenho em aplicações diferentes das avaliadas.

Resultados em conjuntos de referência

O MIT informa que a equipe comparou o método com outros modelos fundacionais e com modelos clássicos baseados em princípios concebidos por especialistas. O preprint descreve uma avaliação em 58 conjuntos de referência de Polaris e MoleculeACE. Os autores relatam taxas de vitória de 75% em tarefas de Polaris e de 97% em ensaios de MoleculeACE. No resumo do preprint, uma vitória inclui o melhor resultado ou um resultado estatisticamente indistinguível do melhor segundo os critérios de avaliação utilizados.

Esses números resumem resultados nos conjuntos e segundo os critérios descritos pelos autores. Não são uma taxa de acerto geral para qualquer problema químico nem demonstram que o modelo supera outros métodos em todas as propriedades ou condições de uso. A notícia do MIT e o preprint descrevem o mesmo trabalho: o preprint fornece detalhes metodológicos e de avaliação, mas não constitui uma corroboração independente da notícia.

Aplicações e recursos necessários

O MIT propõe que as previsões poderiam orientar quais moléculas convém estudar experimentalmente, em um processo que pode ser lento e caro. A notícia também informa que várias empresas farmacêuticas utilizaram o CheMeleon e que nove das vinte propostas mais bem classificadas em uma competição organizada pela OpenADMET haviam usado o modelo. São exemplos de uso e interesse comunicados pela fonte institucional; não constituem, por si só, uma avaliação independente da precisão em produtos ou programas específicos.

O repositório dos autores documenta como ajustar o CheMeleon com Chemprop 2.2.0 ou posterior e como gerar impressões digitais moleculares sem ajuste. Também indica que reproduzir o estudo exige recursos computacionais consideráveis: calcular características para um milhão de cadeias SMILES levou aproximadamente 500 horas de CPU, e o pré-treinamento do CheMeleon, cerca de 1.000 horas de GPU. Esses recursos correspondem à reprodução descrita no repositório, não ao custo de cada previsão ou ajuste individual.

Em conjunto, o CheMeleon combina um pré-treinamento com descritores calculados e um ajuste posterior a propriedades moleculares específicas. Os resultados relatados sustentam seu desempenho nas avaliações examinadas pelos autores; sua utilidade em uma aplicação específica depende dos dados e das verificações pertinentes.