CheMeleon acelera a busca por moléculas: modelo aparece em 9 das 20 melhores soluções

No desenvolvimento de medicamentos e novos materiais existe um momento caro, conhecido por qualquer equipe de produto: há muitas opções e quase nenhum dado para escolher com segurança. Só que, em vez de hipóteses no backlog, há moléculas, cada uma das quais precisa ser sintetizada e testada em laboratório.

Uma equipe do MIT propôs o CheMeleon, um modelo aberto que ajuda a encurtar a lista de candidatos justamente em condições de escassez de dados. Já há um sinal prático: no concurso OpenADMET, em que os participantes previam propriedades de moléculas ainda não sintetizadas, 9 das 20 melhores soluções usaram o CheMeleon.

Como o modelo aprende antes de a sua tarefa surgir

Um modelo comum pode ser treinado com exemplos conhecidos: mostram-se a ele moléculas com solubilidade medida e pede-se que encontre um padrão. Mas, quando se trata de uma nova proteína-alvo ou de uma propriedade rara de um material, os exemplos rotulados podem ser poucos demais. A rede neural profunda simplesmente não tem do que aprender.

O CheMeleon não começa com um objetivo específico. Primeiro, o modelo recebe as estruturas de cerca de um milhão de compostos da base aberta PubChem e aprende a prever cerca de 1600 descritores químicos calculáveis. Entre eles estão a massa molecular, o número de átomos de oxigênio, características de forma e outros atributos com os quais os químicos descrevem as substâncias há muito tempo.

Imagine que seja preciso estimar a solubilidade de dez moléculas novas, mas só existam medições de alguns compostos semelhantes. Um modelo treinado do zero verá uma tabela minúscula. O CheMeleon já sabe quais elementos estruturais costumam estar ligados ao tamanho, à forma e à composição da molécula. Por isso, no treinamento adicional, resta a ele associar essa representação acumulada à propriedade desejada, em vez de reaprender toda a química.

Os autores testaram a abordagem em 58 tarefas e a compararam tanto com outros modelos pré-treinados quanto com métodos clássicos baseados em características escolhidas por especialistas. Na avaliação deles, o CheMeleon apresentou o melhor resultado geral. O modelo é distribuído por meio do pacote aberto ChemProp, de modo que a equipe pode pegar os pesos prontos e ajustá-los com seus próprios dados.

Onde está a economia prática

O principal valor não está numa previsão bonita, mas na ordem de execução dos experimentos. Se, de mil candidatos virtuais, o modelo ajuda a escolher algumas dezenas dos mais promissores, o laboratório gasta menos tempo e reagentes com opções claramente fracas. Para a indústria farmacêutica, isso pode significar uma busca mais rápida por compostos que se ligam a um novo alvo biológico. Para a ciência de materiais, um caminho mais curto até uma substância com a viscosidade, a solubilidade ou a reatividade desejadas.

Quem desenvolve sistemas desse tipo deve prestar atenção à própria receita: o pré-treinamento não exige necessariamente um enorme corpus de artigos ou rotulagem manual cara. É possível usar um grande conjunto de objetos disponíveis e fazer o modelo reconstruir características de domínio calculáveis. Depois, a representação obtida é transferida para uma tarefa específica em que há poucas observações reais.

O que o modelo ainda não promete

O CheMeleon não elimina a verificação em laboratório e não sabe prever sem erros o comportamento de qualquer composto. Um milhão de moléculas é um conjunto de treinamento considerável, mas uma fração ínfima das estruturas químicas possíveis. Além disso, os resultados foram publicados pelos autores do modelo e por parceiros da BASF; a verificação independente em conjuntos industriais fechados é especialmente importante.

Há também o risco de incompatibilidade de dados. Se os novos compostos forem muito diferentes das moléculas do PubChem, ou se as medições tiverem sido feitas por outro método, uma previsão confiante pode se mostrar errada. Por isso, um produto em produção precisa de estimativa de incerteza, controle do domínio de aplicabilidade e um ciclo de feedback com os experimentos.

A conclusão prática é simples: se a equipe tem poucas moléculas rotuladas, vale comparar o CheMeleon com o ChemProp clássico, um modelo com características de especialistas e uma linha de base tabular simples. É preciso verificar não só o erro médio, mas também quantos candidatos realmente bons ficam na parte superior do ranking. Esse indicador responde à principal pergunta do negócio: quantos experimentos caros o modelo ajudou a não realizar.