La découverte de médicaments et de matériaux bute toujours sur le même mur : pour la propriété qui compte le plus, il n'existe presque aucune donnée mesurée. Les modèles d'apprentissage profond demandent en général plus de données que les méthodes classiques, pas moins. CheMeleon, un modèle ouvert du MIT et du chimiste BASF, est conçu pour combler ce manque, et il était utilisé dans l'industrie avant même que son article ne soit relu par des pairs.
L'idée est de préentraîner sur quelque chose de bon marché et d'abondant. Plutôt que d'exploiter la littérature chimique, l'équipe a pris environ un million de molécules dans PubChem, la base gratuite des National Institutes of Health américains, et calculé pour chacune environ 1 600 descripteurs standard, des valeurs définies par les chimistes depuis des décennies comme la masse moléculaire, le nombre d'atomes d'oxygène ou le degré de ramification d'une molécule. Le modèle apprend à prédire ces descripteurs à partir de la structure, ce qui lui donne une compréhension générale de la chimie. Il peut ensuite être affiné avec une poignée de mesures pour une cible précise, de la solubilité et la viscosité à la liaison avec une protéine donnée, sans tout réapprendre.
Les résultats publiés jusqu'ici sont solides. Sur 58 cas de test, les auteurs indiquent que CheMeleon devance à la fois d'autres modèles de fondation et des modèles classiques conçus par des experts. Lors d'un grand concours OpenADMET organisé cette année pour prédire les propriétés de molécules encore jamais synthétisées, neuf des 20 meilleures participations l'utilisaient. Selon William Green, le professeur du MIT qui dirige le groupe, au moins un laboratoire pharmaceutique a ensuite demandé à ses équipes de commencer tout modèle de propriété par CheMeleon. L'article est désormais publié dans le Journal of Chemical Information and Modeling, et le modèle peut être téléchargé et affiné via ChemProp, le logiciel libre du groupe.
L'approche renverse habilement le récit habituel des modèles de fondation. Les modèles de langage comme ceux de ChatGPT et Claude apprennent d'immenses quantités de textes humains ; CheMeleon apprend de nombres qu'un ordinateur calcule gratuitement, ce qui contourne la rareté des données expérimentales au lieu d'attendre qu'elle soit résolue.
Une certaine prudence s'impose. Les éléments proviennent d'un communiqué universitaire, qui cite le résumé des auteurs sur le benchmark plutôt que des chiffres d'erreur. Les descripteurs reflètent ce que les chimistes savent déjà calculer, si bien qu'une propriété dépendant d'un facteur qui leur échappe peut toujours exiger de vraies expériences. Enfin, gagner un concours prouve l'utilité pour choisir les molécules à fabriquer ensuite ; cela ne remplace pas les tests sur celles qui comptent.