Die Suche nach Wirkstoffen und Materialien stößt immer wieder an dieselbe Wand: Für die Eigenschaft, die am meisten zählt, gibt es kaum Messdaten. Deep-Learning-Modelle brauchen meist mehr Daten als klassische Verfahren, nicht weniger. CheMeleon, ein offenes Modell vom MIT und dem Chemiekonzern BASF, ist für genau diese Lücke gebaut und war in der Industrie im Einsatz, bevor sein Paper die Begutachtung durchlaufen hatte.
Die Idee ist, mit etwas Billigem und Reichlichem vorzutrainieren. Statt die Fachliteratur auszuwerten, nahm das Team rund eine Million Moleküle aus PubChem, der kostenlosen Datenbank der US National Institutes of Health, und berechnete für jedes etwa 1.600 Standarddeskriptoren, Werte, die Chemiker über Jahrzehnte definiert haben, etwa Molekulargewicht, Zahl der Sauerstoffatome oder wie verzweigt ein Molekül ist. Das Modell lernt, diese Deskriptoren aus der Struktur vorherzusagen, und erwirbt so ein allgemeines Gespür für Chemie. Danach lässt es sich mit einer Handvoll Messungen auf ein bestimmtes Ziel feintunen, von Löslichkeit und Viskosität bis zur Bindung an ein bestimmtes Protein, ohne alles von Grund auf lernen zu müssen.
Die bisher berichteten Ergebnisse sind stark. Über 58 Testfälle lag CheMeleon laut den Autoren sowohl vor anderen Foundation-Modellen als auch vor klassischen, von Experten entworfenen Modellen. In einem großen OpenADMET-Wettbewerb in diesem Jahr, bei dem Eigenschaften noch nicht synthetisierter Moleküle vorherzusagen waren, nutzten neun der 20 besten Beiträge das Modell. Laut William Green, dem MIT-Professor, der die Gruppe leitet, wies mindestens ein Pharmaunternehmen seine Mitarbeitenden danach an, jedes Eigenschaftsmodell mit CheMeleon zu beginnen. Das Paper ist inzwischen im Journal of Chemical Information and Modeling erschienen, und das Modell lässt sich über ChemProp, das Open-Source-Paket der Gruppe, herunterladen und feintunen.
Der Ansatz dreht die übliche Geschichte von Foundation-Modellen geschickt um. Sprachmodelle wie die hinter ChatGPT und Claude lernen aus riesigen Mengen menschlicher Texte; CheMeleon lernt aus Zahlen, die ein Computer kostenlos berechnet, und umgeht damit den Mangel an Versuchsdaten, statt auf dessen Lösung zu warten.
Etwas Vorsicht ist angebracht. Die Belege kommen über eine Pressemitteilung der Universität, die die Zusammenfassung der Autoren zum Benchmark zitiert, statt Fehlerwerte zu nennen. Deskriptoren erfassen, was Chemiker bereits berechnen können; eine Eigenschaft, die von etwas abhängt, das ihnen entgeht, braucht womöglich weiterhin echte Experimente. Und ein Wettbewerbserfolg zeigt Nutzen bei der Auswahl, welche Moleküle als Nächstes hergestellt werden sollen; er ersetzt nicht das Testen derjenigen, auf die es ankommt.