مدل CheMeleon پیش‌بینی رفتار مولکول‌ها با داده‌های اندک را بهبود می‌دهد

پژوهشگران MIT می‌گویند مدل یادگیری ماشینی CheMeleon در شرایطی که داده‌های مربوط به یک ویژگی شیمیایی محدود است، از چند روش موجود برای انتخاب مولکول‌های ارزشمندتر جهت بررسی عملکرد بهتری دارد. چنین روشی می‌تواند به توسعهٔ داروها و مواد جدید کمک کند، هرچند پیش‌بینی کامل رفتار ترکیبات شیمیایی همچنان ممکن نیست و کشف مولکول‌ها تا حد زیادی بر آزمون‌وخطا تکیه دارد.

CheMeleon با استفاده از ChemProp، بستهٔ متن‌باز یادگیری ماشینی که گروه ویلیام گرین در MIT توسعه داده و نگهداری می‌کند، ساخته شده است. مدل را می‌توان از طریق ChemProp دریافت و برای کاربردهای مختلف تنظیم کرد. به گفتهٔ پژوهشگران، چند شرکت داروسازی هم‌اکنون به‌طور منظم از آن استفاده می‌کنند.

در رقابتی که OpenADMET در اوایل سال برای پیش‌بینی ویژگی‌های مولکول‌های تازه‌ساخته‌نشده برگزار کرد، ۹ مورد از ۲۰ ورودی برتر از CheMeleon استفاده کرده بودند. نتایج پژوهش در شمارهٔ ۱۴ سپتامبر نشریهٔ Journal of Chemical Information and Modeling منتشر شده است. در میان نویسندگان، پژوهشگران MIT و سه پژوهشگر شرکت شیمیایی BASF حضور دارند.