CheMeleon acelera la búsqueda de moléculas: el modelo figura en 9 de las 20 mejores soluciones

En el desarrollo de fármacos y nuevos materiales hay un momento costoso que conoce cualquier equipo de producto: hay muchas opciones y casi no hay datos para elegir con seguridad. Solo que en lugar de hipótesis en el backlog hay moléculas, cada una de las cuales debe sintetizarse y comprobarse en el laboratorio.

Un equipo del MIT ha propuesto CheMeleon, un modelo abierto que ayuda a acortar la lista de candidatos precisamente cuando faltan datos. Ya hay una señal práctica: en el concurso OpenADMET, en el que los participantes predecían propiedades de moléculas no sintetizadas previamente, 9 de las 20 mejores soluciones usaron CheMeleon.

Cómo aprende el modelo antes de que aparezca su tarea

Un modelo convencional puede entrenarse con ejemplos conocidos: se le muestran moléculas con solubilidad medida y se le pide que encuentre un patrón. Pero si se trata de una nueva proteína diana o de una propiedad poco común de un material, los ejemplos etiquetados pueden ser demasiado pocos. Una red neuronal profunda simplemente no tiene de qué aprender.

CheMeleon no parte de un objetivo concreto. Primero, el modelo recibe las estructuras de aproximadamente un millón de compuestos de la base abierta PubChem y aprende a predecir alrededor de 1600 descriptores químicos calculables. Entre ellos están la masa molecular, el número de átomos de oxígeno, rasgos de la forma y otras características con las que los químicos describen desde hace tiempo las sustancias.

Imagine que hay que estimar la solubilidad de diez moléculas nuevas, pero solo existen mediciones de unos pocos compuestos similares. Un modelo entrenado desde cero verá una tabla diminuta. CheMeleon ya sabe qué elementos estructurales suelen estar asociados con el tamaño, la forma y la composición de una molécula. Por eso, en el entrenamiento adicional solo le queda vincular esa representación acumulada con la propiedad deseada, en lugar de aprender de nuevo toda la química.

Los autores comprobaron el enfoque en 58 tareas y lo compararon tanto con otros modelos preentrenados como con métodos clásicos basados en características elegidas por expertos. Según su evaluación, CheMeleon obtuvo el mejor resultado global. El modelo se distribuye a través del paquete abierto ChemProp, de modo que un equipo puede tomar los pesos ya listos y ajustarlos con sus propios datos.

Dónde está el ahorro práctico

El principal valor no está en una predicción atractiva, sino en el orden de los experimentos. Si de mil candidatos virtuales el modelo ayuda a elegir unas decenas de los más prometedores, el laboratorio gasta menos tiempo y reactivos en opciones claramente débiles. Para la industria farmacéutica, esto puede significar una búsqueda más rápida de compuestos que se unan a una nueva diana biológica. Para la ciencia de materiales, un camino más corto hacia una sustancia con la viscosidad, solubilidad o reactividad deseadas.

Quienes desarrollan este tipo de sistemas deberían fijarse en la receta en sí: el preentrenamiento no requiere necesariamente un corpus enorme de artículos ni costosas etiquetas manuales. Se puede usar un gran conjunto de objetos disponibles y obligar al modelo a reconstruir características de dominio calculables. Después, la representación obtenida se transfiere a una tarea concreta en la que hay pocas observaciones reales.

Lo que el modelo aún no promete

CheMeleon no elimina la verificación en el laboratorio ni sabe predecir sin errores el comportamiento de cualquier compuesto. Un millón de moléculas es un conjunto de entrenamiento considerable, pero una fracción ínfima de las estructuras químicas posibles. Además, los resultados los han publicado los autores del modelo y sus socios de BASF; la verificación independiente con conjuntos industriales cerrados es especialmente importante.

También existe el riesgo de desajuste de datos. Si los compuestos nuevos difieren mucho de las moléculas de PubChem o las mediciones se hicieron con otro método, una predicción segura puede resultar errónea. Por eso, un producto en producción necesita estimación de la incertidumbre, control del dominio de aplicabilidad y un ciclo de retroalimentación con los experimentos.

La conclusión práctica es sencilla: si un equipo tiene pocas moléculas etiquetadas, conviene comparar CheMeleon con el ChemProp clásico, un modelo con características de expertos y una referencia tabular simple. Hay que comprobar no solo el error medio, sino también cuántos candidatos realmente buenos quedan en la parte alta del ranking. Ese indicador responde a la pregunta principal del negocio: cuántos experimentos caros ayudó el modelo a no realizar.