Die Suche nach Molekülen mit bestimmten Eigenschaften beruht oft auf aufwendigen Berechnungen und Experimenten. CheMeleon soll die Vorauswahl unterstützen: Nach Angaben des MIT kann der Ansatz bei wenig verfügbaren Daten andere bestehende Verfahren übertreffen. Als Beispiel nennt das Forschungsteam die Bindungsstärke an ein neu entdecktes zelluläres Ziel für einen möglichen Wirkstoff.
Für das Vortraining nutzte das Team Daten zu rund einer Million Molekülen. Das Modell lernte dabei, etwa 1.600 chemische Kennwerte vorherzusagen, darunter Molekulargewicht und Anzahl der Sauerstoffatome. Diese Kennwerte wurden zuvor von Chemikerinnen und Chemikern entwickelt. Für eine konkrete Aufgabe lässt sich CheMeleon anschließend weiter trainieren, etwa zur Vorhersage von Löslichkeit, Viskosität, Bioaktivität oder Reaktivität mit einem Protein oder Enzym.
Das Team entwickelte CheMeleon mit dem quelloffenen Machine-Learning-Paket ChemProp. Das Modell kann über ChemProp heruntergeladen und für eigene Anwendungen angepasst werden. Nach Angaben des MIT wird es bereits von mehreren Pharmaunternehmen verwendet. Bei einem Wettbewerb von OpenADMET zur Vorhersage von Eigenschaften bislang nicht synthetisierter Moleküle setzten neun der 20 bestplatzierten Teams CheMeleon in ihrem Verfahren ein.
Die Ergebnisse wurden in einer Ausgabe des Journal of Chemical Information and Modeling vom 14. September veröffentlicht. Beteiligt waren Forschende des MIT und drei Forschende des Chemieunternehmens BASF. CheMeleon ersetzt keine Synthese und Messung: Die Suche nach neuen Molekülen bleibt laut MIT ein Versuch-und-Irrtum-Prozess, weil sich das Verhalten chemischer Verbindungen nicht vollständig vorhersagen lässt. Das Modell soll jedoch dabei helfen, mögliche Kandidaten einzugrenzen, bevor sie hergestellt und getestet werden.