هوش مصنوعی CheMeleon؛ تحولی در پیش‌بینی رفتار مولکول‌ها با داده‌های اندک

کشف مولکول‌های جدید برای صنایع مختلف از جمله داروسازی و تولید مواد انرژی‌زا، فرآیندی دشوار و پرهزینه است که معمولاً به روش آزمون و خطا متکی است. اکنون تیمی از محققان MIT موفق به توسعه مدل هوش مصنوعی جدیدی به نام CheMeleon شده‌اند که می‌تواند خواص پیچیده ترکیبات شیمیایی را حتی با داشتن داده‌های اولیه بسیار محدود، با دقت بالا پیش‌بینی کند.

مدل CheMeleon بر پایه پکیج یادگیری ماشین متن‌باز ChemProp ساخته شده است. کلید موفقیت این سیستم در پیش‌آموزش آن با استفاده از داده‌های یک میلیون مولکول مختلف است که به هوش مصنوعی اجازه می‌دهد روابط پنهان میان ساختار شیمیایی و رفتارهای مولکولی را بیاموزد. پس از این مرحله، مدل می‌تواند برای پیش‌بینی خواص خاص مانند حلالیت، ویسکوزیته یا فعالیت بیولوژیکی با دقت بسیار بالا تنظیم (Fine-tune) شود.

نتایج تحقیقات این تیم در ژورنال علمی Chemical Information and Modeling منتشر شده است. جالب اینجاست که پیش از نهایی شدن بررسی‌های علمی، مدل CheMeleon در یک مسابقه بزرگ پیش‌بینی خواص مولکولی شرکت داده شد و از میان ۲۰ ورودی برتر، ۹ مورد از این مدل استفاده کرده بودند. این موفقیت زودهنگام باعث شده است تا برخی شرکت‌های دارویی بزرگ، استفاده از CheMeleon را به عنوان سیاست رسمی خود در مدل‌سازی مولکولی اعلام کنند.

پروفسور ویلیام گرین، از اعضای تیم تحقیق، تأکید می‌کند که این مدل نیاز به آزمایش‌های تجربی گران‌قیمت را به‌شدت کاهش می‌دهد. برخلاف مدل‌های کلاسیک که به دانش متخصصان برای ورود داده‌ها وابسته هستند، CheMeleon با تکیه بر معماری شبکه عصبی خود، الگوهای شیمیایی را از پایگاه‌های داده‌ای مانند PubChem استخراج کرده و نتایجی دقیق‌تر از روش‌های سنتی ارائه می‌دهد.