A descoberta de remédios e materiais esbarra sempre na mesma parede: para a propriedade que mais importa, quase não há dados medidos. Modelos de aprendizado profundo costumam precisar de mais dados que os métodos tradicionais, não de menos. O CheMeleon, um modelo aberto do MIT e da empresa química BASF, foi feito para essa lacuna, e já era usado na indústria antes de seu artigo passar pela revisão por pares.
A ideia é pré-treinar com algo barato e farto. Em vez de garimpar a literatura química, a equipe pegou cerca de um milhão de moléculas do PubChem, a base de dados gratuita dos Institutos Nacionais de Saúde dos Estados Unidos, e calculou para cada uma cerca de 1.600 descritores padrão, valores que os químicos definiram ao longo de décadas, como peso molecular, número de átomos de oxigênio ou quão ramificada é uma molécula. O modelo aprende a prever esses descritores a partir da estrutura, o que lhe dá uma noção geral de química. Depois, pode ser ajustado com um punhado de medições para um alvo específico, da solubilidade e viscosidade à ligação com uma proteína em particular, sem aprender tudo do zero.
Os resultados relatados até agora são fortes. Em 58 casos de teste, os autores dizem que o CheMeleon ficou à frente tanto de outros modelos de fundação quanto de modelos clássicos desenhados por especialistas. Num grande concurso da OpenADMET realizado neste ano para prever propriedades de moléculas ainda não sintetizadas, nove das 20 melhores participações o usaram. Segundo William Green, o professor do MIT que lidera o grupo, pelo menos uma farmacêutica passou a orientar sua equipe a começar todo modelo de propriedade pelo CheMeleon. O artigo agora está publicado no Journal of Chemical Information and Modeling, e o modelo pode ser baixado e ajustado pelo ChemProp, o pacote de código aberto do grupo.
A abordagem inverte com elegância a história habitual dos modelos de fundação. Modelos de linguagem como os que estão por trás do ChatGPT e do Claude aprendem com quantidades enormes de texto humano; o CheMeleon aprende com números que um computador calcula de graça, o que contorna a escassez de dados experimentais em vez de esperar que ela seja resolvida.
Cabe alguma cautela. As provas chegam por um comunicado da universidade, que cita o resumo dos autores sobre o benchmark em vez de dar números de erro. Os descritores capturam o que os químicos já sabem calcular, então uma propriedade que dependa de algo que lhes escapa ainda pode exigir experimentos reais. E vencer um concurso mostra utilidade para escolher quais moléculas fazer a seguir; não substitui testar as que importam.