Saber per endavant si una molècula serà soluble, viscosa, reactiva o activa contra una proteïna concreta estalvia mesos de laboratori. El problema és que els models d'aprenentatge profund acostumen a necessitar moltes dades, i en química, i encara més en el desenvolupament de fàrmacs, sovint només hi ha uns quants resultats experimentals de cada propietat. Per això en molts casos els mètodes clàssics, en què un expert tria a mà quines característiques de la molècula compten, encara funcionen millor.
Un equip del departament d'Enginyeria Química del MIT, amb investigadors de l'empresa química alemanya BASF, ha publicat al «Journal of Chemical Information and Modeling», una revista amb revisió per parells de l'American Chemical Society, un model que vol resoldre aquest coll d'ampolla. Es diu CheMeleon i és un model fundacional: primer aprèn de manera general i després s'adapta a cada tasca. L'han preentrenat amb un milió de molècules de la base de dades pública PubChem, però no amb resultats d'articles, sinó ensenyant-li a calcular unes 1.600 característiques clàssiques de cada molècula, com el pes molecular o el nombre d'àtoms d'oxigen. Segons els autors, en 58 casos de prova supera tant els altres models fundacionals com els models clàssics dissenyats per experts.
El model és de codi obert i es pot baixar dins de Chemprop, el paquet d'aprenentatge automàtic que manté el grup del professor William Green. Segons el MIT, diverses empreses farmacèutiques ja el fan servir, una d'elles ha decidit començar-hi tots els seus models de propietats, i en un concurs públic per predir propietats de molècules encara no sintetitzades, OpenADMET, nou de les vint primeres propostes el feien servir. «No ha d'aprendre-ho tot des de zero», explica el primer autor, Akshat Shirish Zalte, i per això dona bons resultats amb pocs exemples.
Cal llegir el resultat amb prudència. La nota del MIT no dona xifres d'error ni el detall de cada una de les 58 proves, i la comparació la fan els mateixos autors. Un milió de molècules és una part ínfima de totes les possibles, i el model s'ha d'ajustar igualment amb dades de cada problema. Tampoc no substitueix els assajos: el que promet és reduir quantes molècules s'han de fabricar i provar al laboratori, una afirmació que el professor Green fa sense quantificar.