El descubrimiento de fármacos y materiales choca una y otra vez con el mismo muro: para la propiedad que más importa apenas hay datos medidos. Los modelos de aprendizaje profundo suelen necesitar más datos que los métodos tradicionales, no menos. CheMeleon, un modelo abierto del MIT y la empresa química BASF, está pensado para ese hueco, y ya se usaba en la industria antes de que su artículo superara la revisión por pares.
La idea es preentrenar con algo barato y abundante. En lugar de explotar la literatura química, el equipo tomó alrededor de un millón de moléculas de PubChem, la base de datos gratuita de los Institutos Nacionales de Salud de Estados Unidos, y calculó para cada una unos 1.600 descriptores estándar, valores que los químicos han definido durante décadas, como el peso molecular, el número de átomos de oxígeno o lo ramificada que es una molécula. El modelo aprende a predecir esos descriptores a partir de la estructura, lo que le da una noción general de química. Después puede ajustarse con unas pocas mediciones para un objetivo concreto, desde la solubilidad y la viscosidad hasta la unión a una proteína determinada, sin aprenderlo todo desde cero.
Los resultados publicados hasta ahora son sólidos. En 58 casos de prueba, los autores dicen que CheMeleon quedó por delante tanto de otros modelos fundacionales como de modelos clásicos diseñados por expertos. En un gran concurso de OpenADMET celebrado este año para predecir propiedades de moléculas aún no sintetizadas, nueve de las 20 mejores participaciones lo usaron. Según William Green, el profesor del MIT que dirige el grupo, al menos una farmacéutica pidió después a su personal que empezara cualquier modelo de propiedades con CheMeleon. El artículo ya está publicado en el Journal of Chemical Information and Modeling, y el modelo se puede descargar y ajustar a través de ChemProp, el paquete de código abierto del grupo.
El enfoque invierte con elegancia la historia habitual de los modelos fundacionales. Los modelos de lenguaje como los que hay detrás de ChatGPT y Claude aprenden de enormes cantidades de texto humano; CheMeleon aprende de números que un ordenador calcula gratis, lo que esquiva la escasez de datos experimentales en lugar de esperar a que se resuelva.
Conviene cierta cautela. Las pruebas llegan a través de una nota de prensa universitaria, que cita el resumen de los autores sobre el benchmark en lugar de dar cifras de error. Los descriptores recogen lo que los químicos ya saben calcular, así que una propiedad que dependa de algo que se les escapa puede seguir requiriendo experimentos reales. Y ganar un concurso demuestra utilidad para decidir qué moléculas fabricar a continuación; no sustituye a probar las que importan.