MIT 团队提出 CheMeleon：用少量数据预测分子性质

为特定用途发现新分子是推动众多行业进步的主要动力，无论是制药公司寻找新药，还是电子或能源公司寻求具有特定性能的新材料。但这一过程在很大程度上仍是反复试错，因为目前还没有任何方法能够完美预测某种给定化合物在材料可能表现出的无数不同性质和响应方面会如何表现。

近来，利用人工智能和机器学习来补充或加速基于物理原理的繁琐计算已取得进展，这些计算至少能初步指导哪些化合物可能值得合成和测试。如今，麻省理工学院开发的一种新方法表明，当某些具有技术相关性的性质数据很少时——例如针对一种潜在药物新发现的细胞靶点的配体亲和力——这种方法在缩小可能值得研究的候选分子范围方面，可以优于其他现有方法。

这些研究结果发表在9月14日的Journal of Chemical Information and Modeling上，论文作者包括麻省理工学院研究生Akshat Shirish Zalte、新近毕业的Jackson Burns博士（26届）、研究科学家Charlles Abreu、William Green教授，以及化学公司BASF的三位研究人员。 

该论文的早期版本自去年起已在线发布，团队开发的开源模型CheMeleon已被多家制药公司常规使用。CheMeleon是基于ChemProp构建的，后者也是由麻省理工学院Green研究组开发和维护的开源机器学习软件包，任何人都可以通过ChemProp下载CheMeleon，并针对自己的用途进行微调。

今年早些时候，OpenADMET组织了一场比赛，尝试预测多种此前未曾合成的新分子的性质，Green说道，他是Hoyt Hottel化学工程教授。“这是一场大型比赛，很多人参与，”他说。获奖名单公布时，结果发现前20名中有9个参赛作品在流程中使用了CheMeleon。“于是我们开始收到制药公司各种各样的咨询，但我们的论文当时刚刚提交；甚至还没有经过同行评审或其他任何流程。”

在论文经历评审过程期间，其影响力已经在扩散。Green说，至少有一家制药公司“给他们所有员工发消息说，‘任何时候你们要对某种性质建模，都从CheMeleon开始，这是我们公司的新政策’”，用于在决定追求哪些分子时做出初步判断。

CheMeleon的关键在于用一个包含约一百万个不同分子详细数据的机器学习模型进行预训练，使其能够学习给定分子结构与它在化学家数十年来开发的约1600个描述符目录下的表现之间的关联。随后，CheMeleon可以被微调，以预测溶解度、粘度等众所周知的性質，乃至生物活性或与特定蛋白质或酶的反应性等更为深奥的性质。

这百万个分子只是原子之间无数种结合方式中的极小一部分，但它们提供了足够的示例，使得一旦 AI 系统在这些分子上完成训练，它就能自行找出许多潜在的模式和关系，然后将其应用到呈现给它的一个全新的、未知的分子上。

“如今大多数深度学习模型比传统方法需要更多数据，”Zalte 说。他表示，一些成功的模型使用了来自化学期刊已发表文献的大量数据。“我们完全不看文献。我们只是计算一系列分子描述符，比如分子量或氧原子数量等。”然后预测这些描述符就构成了他们预训练任务的基础。

CheMeleon 是一个预训练的基础模型。受 ChatGPT 和 Claude 等知名语言基础模型的启发——这些模型本质上是通过向它们输入来自互联网的大量信息来开发的——CheMeleon 使用了来自 PubChem 的一百万个分子的分子描述符，PubChem 是一个由美国国立卫生研究院维护的大型、可免费获取的化学信息数据库。

另一方面，在经典的专家驱动模型中，某一领域的专家会手动输入关于其研究对象的详细知识。他说，例如在开发这些经典模型时，人们从实验中得知，某个感兴趣的性质（比如溶解度）可能与同一分子的特定描述符有关，“比如分子量，或存在的氧原子数量，或分子的分支程度或体积大小。”

采用该团队的方法，他们可以从现有的神经网络架构入手，训练它学习底层原理。“我们不是针对某个特定性质来训练它，而是将其作为一个理解一定化学层面的一般模型来训练，这样即使你只用少量数据点针对你关心的任务对其进行微调，你仍然可以获得不错的表现，”他说。这得益于该模型“不必从头学习一切”。

为了验证其有效性，“我们不仅将我们的模型与现有的其他基础模型进行比较，还与利用专家设计原理的经典模型进行了比较，”Zalte 说。在 58 个测试案例中比较其表现，“我们看到我们的模型名列前茅。”

Green 补充道，“CheMeleon 基础模型大幅减少了为准确预测新分子性质而需要实验测试的分子数量。这是一个巨大的优势，因为合成和测试大量分子既缓慢又昂贵。”

除了 MIT 的成员外，团队还包括德国 BASF SE 的研究人员 Jochen Sieg、Christian Feldmann 和 Miriam Mathea。这项工作得到了药物发现与合成机器学习联盟的支持，以及美国能源部和 MathWorks 的奖学金支持。