发现具有特定用途的新分子，是众多行业取得进展的重要推动力，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。但这在很大程度上仍是一个试错过程，因为目前还没有任何方法能够完美预测一种给定化合物在各种性质和反应方面将如何表现。
近期，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一些进展，这种方法至少能为筛选哪些化合物值得合成和测试提供初步指导。现在，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稀少时——例如某个新发现的细胞靶点与潜在药物之间的配体亲和力——这种方法在缩小可能值得研究的分子范围方面，表现优于其他现有方法。
相关研究成果发表于9月14日的《化学信息与建模期刊》，论文作者包括麻省理工学院研究生Akshat Shirish Zalte、新近毕业的博士Jackson Burns，研究科学家Charlles Abreu，教授William Green，以及来自化工企业巴斯夫（BASF）的三位研究人员。
该论文的早期版本去年已上线，团队开发的开源模型CheMeleon已被多家制药公司常规使用。CheMeleon基于ChemProp构建，ChemProp同样是由麻省理工学院Green团队开发并维护的开源机器学习软件包，任何人都可以通过ChemProp下载CheMeleon，并根据自身需求进行微调。
Green是化学工程Hoyt Hottel讲席教授，他表示，今年早些时候，OpenADMET组织了一场竞赛，旨在预测一系列此前从未被合成过的新分子的性质。“这是一场规模很大的比赛，许多人参与其中，”他说。当获胜者公布时，结果显示，前20名参赛作品中有9个在研究过程中使用了CheMeleon。“于是，我们开始收到来自制药公司的各种咨询，但我们的论文当时才刚提交，甚至还没经过同行评审。”
在论文经历评审过程的同时，其影响力已在悄然扩散。Green说，至少有一家制药公司“向全体员工发出通知，称‘今后在对某项性质进行建模时，先从CheMeleon开始，这是我们公司的新政策’”，以此作为筛选优先研究分子的初步决策依据。
CheMeleon的关键在于预先用一百万个不同分子的详细数据训练一个机器学习模型，使其能够学习特定分子结构与其在化学家数十年间开发出的约1600个描述符上的表现之间的关联。随后，CheMeleon可以被微调，用于预测溶解度、粘度等常见性质，乃至与某种蛋白质或酶相关的生物活性或反应性等更专业的性质。
这一百万个分子只是原子键合方式中极小的一部分，但它们提供了足够多的样本，使得人工智能系统在完成训练后，能够自行推导出许多潜在的规律和关联，并将这些规律应用到一个全新、未知的分子上。
“目前大多数深度学习模型所需的数据量比传统方法更多，”Zalte说。他表示，一些成功的模型会大量使用化学期刊中已发表文献的数据。“我们完全不查阅文献，只是计算一系列分子描述符，比如分子量或氧原子数量等等。”随后，预测这些描述符便构成了他们预训练任务的基础。
CheMeleon是一个预训练基础模型。受到语言领域著名基础模型（如ChatGPT和Claude，这类模型本质上是通过输入海量互联网信息来开发的）的启发，CheMeleon使用了来自PubChem的一百万个分子的分子描述符，PubChem是由美国国立卫生研究院维护的一个大型、免费开放的化学信息数据库。
而在传统的专家驱动模型中，相关领域的专家会手动输入关于其学科的详细知识。他表示，在开发这类传统模型时，举例来说，人们通过实验知道某种关注的性质（比如溶解度）可能与同一批分子的特定描述符相关，“比如分子量、氧原子数量，或者分子的支链程度与体积大小。”
借助这种团队所采用的方法，他们可以从一个现有的神经网络架构出发，训练它学习潜在的原理。“我们并不是针对某个特定性质进行训练，而是将其训练成一个能够理解一定程度化学知识的通用模型，这样即使你只用少量数据点对其进行微调，针对你所关心的任务，仍能获得不错的性能，”他说。这得益于该模型“不需要从零开始学习一切”。
为验证其实用性，“我们不仅将我们的模型与市面上其他基础模型进行比较，还与利用专家设计原理的传统模型进行了比较，”Zalte说。在58个测试案例中比较其表现后，“我们发现我们的模型表现最为出色。”
Green补充道：“CheMeleon基础模型大幅减少了需要通过实验测试的分子数量，从而能够准确预测新分子的性质。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。”
除麻省理工学院的成员外，研究团队还包括来自德国巴斯夫公司的研究人员Jochen Sieg、Christian Feldmann和Miriam Mathea。这项工作得到了“制药发现与合成机器学习联盟”的支持，以及美国能源部和MathWorks提供的奖学金支持。
