医薬品や材料の探索は、何度も同じ壁にぶつかります。最も知りたい性質について、測定されたデータがほとんどないのです。深層学習のモデルは通常、従来の手法より多くのデータを必要とします。MITと化学企業BASFが開発したオープンなモデルCheMeleonは、まさにこの空白のために作られ、論文が査読を通る前から産業界で使われていました。
考え方は、安くて大量にあるもので事前学習するというものです。チームは化学の文献を掘り起こす代わりに、米国立衛生研究所が運営する無料のデータベースPubChemから約100万の分子を取り出し、それぞれについて約1,600の標準的な記述子を計算しました。分子量、酸素原子の数、分子の枝分かれの程度など、化学者が数十年かけて定義してきた値です。モデルは構造からこれらの記述子を予測することを学び、化学についての一般的な感覚を身につけます。その後は、溶解度や粘度から特定のたんぱく質への結合まで、個別の目的に合わせて少数の測定値で微調整でき、すべてを一から学ぶ必要はありません。
これまでに報告された結果は優秀です。著者らによると、58の試験ケースで、CheMeleonはほかの基盤モデルと、専門家が設計した従来型のモデルの両方を上回りました。まだ合成されていない分子の性質を予測する、今年行われたOpenADMETの大規模なコンテストでは、上位20件のうち9件がこのモデルを使っていました。グループを率いるMITのWilliam Green教授によれば、少なくとも1社の製薬会社が、性質を予測するモデルはすべてCheMeleonから始めるよう社員に指示したといいます。論文はすでにJournal of Chemical Information and Modelingに掲載され、モデルはグループのオープンソースのパッケージChemPropを通じてダウンロードし、微調整できます。
この手法は、基盤モデルのよくある筋書きを見事に逆転させています。ChatGPTやClaudeの背後にあるような言語モデルは膨大な人間の文章から学びますが、CheMeleonはコンピューターがただで計算できる数値から学び、実験データの不足が解消されるのを待つのではなく、それを回避しています。
ある程度の慎重さは必要です。根拠は大学のプレスリリースによるもので、誤差の数値ではなく、ベンチマークについての著者らの要約が引用されています。記述子は化学者がすでに計算方法を知っているものしか捉えないため、化学者が見落としている要因で決まる性質には、引き続き実際の実験が必要かもしれません。また、コンテストでの好成績は、次にどの分子を作るかを絞り込む役に立つことを示すものであって、重要な分子を実際に試験する代わりにはなりません。