CheMeleon ускорил поиск молекул: модель вошла в 9 из 20 лучших решений

В разработке лекарств и новых материалов есть дорогой момент, знакомый любой продуктовой команде: вариантов много, а данных для уверенного выбора почти нет. Только вместо гипотез в бэклоге — молекулы, каждую из которых нужно синтезировать и проверить в лаборатории.

Команда MIT предложила CheMeleon — открытую модель, которая помогает сократить список кандидатов именно в условиях дефицита данных. Практический сигнал уже появился: в конкурсе OpenADMET, где участники предсказывали свойства ранее не синтезированных молекул, CheMeleon использовали 9 из 20 лучших решений.

Как модель учится до появления вашей задачи

Обычную модель можно обучить на известных примерах: показать ей молекулы с измеренной растворимостью и попросить найти закономерность. Но если речь идёт о новом белке-мишени или редком свойстве материала, размеченных примеров может быть слишком мало. Глубокой нейросети просто не на чем учиться.

CheMeleon начинает не с конкретной цели. Сначала модель получает структуры примерно миллиона соединений из открытой базы PubChem и учится предсказывать около 1600 вычисляемых химических характеристик. Среди них — молекулярная масса, число атомов кислорода, особенности формы и другие признаки, которыми химики давно описывают вещества.

Представьте, что нужно оценить растворимость десяти новых молекул, а измерения есть лишь для нескольких похожих соединений. Модель с нуля увидит крошечную таблицу. CheMeleon уже знает, какие элементы структуры обычно связаны с размером, формой и составом молекулы. Поэтому при дополнительном обучении ей остаётся связать это накопленное представление с нужным свойством, а не заново осваивать всю химию.

Авторы проверили подход на 58 задачах и сравнили его как с другими предобученными моделями, так и с классическими методами, основанными на признаках, выбранных экспертами. По их оценке, CheMeleon показал лучший совокупный результат. Модель распространяется через открытый пакет ChemProp, поэтому команда может взять готовые веса и настроить их на собственные данные.

Где здесь практическая экономия

Главная ценность не в красивом прогнозе, а в порядке проведения экспериментов. Если из тысячи виртуальных кандидатов модель помогает выбрать несколько десятков наиболее перспективных, лаборатория тратит меньше времени и реагентов на заведомо слабые варианты. Для фармацевтики это может означать более быстрый поиск соединений, связывающихся с новой биологической мишенью. Для материаловедения — более короткий путь к веществу с нужной вязкостью, растворимостью или реакционной способностью.

Разработчикам подобных систем стоит обратить внимание на сам рецепт: предобучение не обязательно требует огромного корпуса статей или дорогой ручной разметки. Можно использовать большой набор доступных объектов и заставить модель восстанавливать вычисляемые доменные признаки. Затем полученное представление переносится на узкую задачу, где настоящих наблюдений мало.

Что модель пока не обещает

CheMeleon не отменяет лабораторную проверку и не умеет безошибочно предсказывать поведение любого соединения. Миллион молекул — значительный обучающий набор, но это ничтожная доля возможных химических структур. Результаты также опубликованы авторами модели и партнёрами из BASF; независимая проверка на закрытых промышленных наборах особенно важна.

Есть и риск несоответствия данных. Если новые соединения сильно отличаются от молекул PubChem или измерения сделаны по другой методике, уверенный прогноз может оказаться неверным. Поэтому в рабочем продукте нужны оценка неопределённости, контроль области применимости и цикл обратной связи с экспериментами.

Практический вывод простой: если у команды мало размеченных молекул, разумно сравнить CheMeleon с классическим ChemProp, экспертной моделью и простым табличным базовым решением. Проверять нужно не только среднюю ошибку, но и то, сколько действительно удачных кандидатов попадает в верхнюю часть рейтинга. Именно этот показатель отвечает на главный вопрос бизнеса: сколько дорогих экспериментов модель помогла не проводить.