CheMeleon accélère la recherche de molécules : le modèle figure dans 9 des 20 meilleures solutions

Dans le développement de médicaments et de nouveaux matériaux, il existe une étape coûteuse que connaît toute équipe produit : les options sont nombreuses, mais les données permettant de faire un choix éclairé sont presque inexistantes. Ici, les hypothèses du backlog sont remplacées par des molécules, dont chacune doit être synthétisée et testée en laboratoire.

Une équipe du MIT a présenté CheMeleon, un modèle ouvert qui aide à réduire la liste des candidats précisément lorsque les données sont rares. Un premier signal concret est déjà apparu : lors du concours OpenADMET, où les participants prédisaient les propriétés de molécules jamais synthétisées auparavant, CheMeleon a été utilisé dans 9 des 20 meilleures solutions.

Comment le modèle apprend avant même l’apparition de votre tâche

Un modèle classique peut être entraîné sur des exemples connus : on lui présente des molécules dont la solubilité a été mesurée et on lui demande d’identifier une régularité. Mais lorsqu’il s’agit d’une nouvelle protéine cible ou d’une propriété rare d’un matériau, les exemples annotés peuvent être trop peu nombreux. Un réseau neuronal profond n’a tout simplement pas assez de données pour apprendre.

CheMeleon ne commence pas par un objectif précis. Le modèle reçoit d’abord les structures d’environ un million de composés provenant de la base ouverte PubChem et apprend à prédire près de 1600 caractéristiques chimiques calculables. Celles-ci comprennent la masse moléculaire, le nombre d’atomes d’oxygène, des particularités de forme et d’autres attributs que les chimistes utilisent depuis longtemps pour décrire les substances.

Imaginez qu’il faille évaluer la solubilité de dix nouvelles molécules alors que des mesures ne sont disponibles que pour quelques composés similaires. Un modèle entraîné à partir de zéro ne verra qu’un minuscule tableau. CheMeleon sait déjà quels éléments structurels sont généralement associés à la taille, à la forme et à la composition d’une molécule. Lors de l’entraînement complémentaire, il lui suffit donc de relier cette représentation acquise à la propriété recherchée, au lieu de réapprendre toute la chimie.

Les auteurs ont testé l’approche sur 58 tâches et l’ont comparée à d’autres modèles préentraînés ainsi qu’à des méthodes classiques reposant sur des caractéristiques sélectionnées par des experts. Selon leur évaluation, CheMeleon a obtenu le meilleur résultat global. Le modèle est distribué via le package open source ChemProp : une équipe peut donc récupérer les poids prêts à l’emploi et les adapter à ses propres données.

Où se trouvent les économies concrètes

La valeur principale ne réside pas dans une belle prédiction, mais dans l’ordre de réalisation des expériences. Si, parmi un millier de candidats virtuels, le modèle aide à sélectionner quelques dizaines d’options parmi les plus prometteuses, le laboratoire consacre moins de temps et de réactifs à des pistes manifestement faibles. Dans l’industrie pharmaceutique, cela peut accélérer la recherche de composés capables de se lier à une nouvelle cible biologique. En science des matériaux, cela peut raccourcir le chemin vers une substance présentant la viscosité, la solubilité ou la réactivité recherchée.

Les développeurs de systèmes similaires devraient s’intéresser à la recette elle-même : le préentraînement ne nécessite pas forcément un immense corpus d’articles ni une coûteuse annotation manuelle. Il est possible d’utiliser un vaste ensemble d’objets accessibles et de demander au modèle de reconstruire des caractéristiques calculables propres au domaine. La représentation obtenue est ensuite transférée à une tâche ciblée pour laquelle les observations réelles sont rares.

Ce que le modèle ne promet pas encore

CheMeleon ne supprime pas la nécessité des vérifications en laboratoire et ne sait pas prédire sans erreur le comportement de n’importe quel composé. Un million de molécules constitue un ensemble d’entraînement conséquent, mais ne représente qu’une fraction infime des structures chimiques possibles. Les résultats ont également été publiés par les auteurs du modèle et leurs partenaires de BASF ; une validation indépendante sur des jeux de données industriels fermés est particulièrement importante.

Il existe aussi un risque de décalage des données. Si les nouveaux composés diffèrent fortement des molécules de PubChem ou si les mesures ont été réalisées selon une autre méthode, une prédiction donnée avec assurance peut être erronée. Un produit opérationnel doit donc intégrer une estimation de l’incertitude, un contrôle du domaine d’applicabilité et une boucle de rétroaction avec les expériences.

La conclusion pratique est simple : si une équipe dispose de peu de molécules annotées, il est judicieux de comparer CheMeleon au ChemProp classique, à un modèle fondé sur l’expertise et à une solution de référence simple sous forme de tableau. Il faut évaluer non seulement l’erreur moyenne, mais aussi le nombre de candidats réellement prometteurs qui atteignent le haut du classement. C’est précisément cet indicateur qui répond à la principale question économique : combien d’expériences coûteuses le modèle a-t-il permis d’éviter ?