# MIT presenta CheMeleon para predecir moléculas con pocos datos > El modelo abierto fue entrenado con descriptores de cerca de un millón de moléculas y luego adaptado a tareas con información escasa. Sus autores reportan 58 pruebas favorables. Por Luis F. · 6 de noviembre de 2026 · Tecnología ![Dos científicos con batas de laboratorio escriben y comentan fórmulas químicas en una pizarra blanca dentro de un laboratorio.](https://cdn.panorama.onl/uploads/dda6b549a785b8f1.webp) Claves - CheMeleon se preentrenó con descriptores calculados para alrededor de un millón de moléculas de PubChem. - El estudio describe el uso de 24 descriptores moleculares y reporta 58 casos en los que el modelo superó otros enfoques. - William Green dijo que nueve de los 20 trabajos mejor clasificados en un concurso usaron el modelo. Investigadores del Instituto Tecnológico de Massachusetts presentaron CheMeleon, un modelo de aprendizaje automático abierto pensado para predecir propiedades moleculares cuando hay pocos datos experimentales. La propuesta combina un preentrenamiento con descriptores químicos y una adaptación posterior a tareas concretas, con el objetivo de priorizar qué compuestos merece la pena probar en laboratorio. ## Un modelo pensado para escenarios con poca información El equipo plantea CheMeleon como una herramienta de apoyo para seleccionar moléculas en etapas tempranas del desarrollo de fármacos o materiales. En vez de sustituir los ensayos, el sistema busca ayudar a decidir qué compuestos deberían pasar primero por síntesis y pruebas, sobre todo cuando la propiedad de interés cuenta con pocos registros. El método puede ajustarse a tareas distintas, desde estimar solubilidad y viscosidad hasta evaluar bioactividad o reactividad frente a una proteína o una enzima. MIT News informó que el enfoque fue diseñado para casos en los que faltan mediciones sobre una propiedad relevante, como la afinidad de ligandos por un nuevo objetivo celular asociado con un posible fármaco. Según Akshat Shirish Zalte, estudiante de posgrado del MIT y autor del trabajo, la ventaja del esquema es que el modelo no empieza desde cero cuando recibe apenas unos pocos ejemplos de la propiedad que se quiere predecir. Primero aprende relaciones generales entre estructuras y descriptores; después se ajusta a la tarea específica. ## Cómo se entrenó y qué resultados reportó Para el preentrenamiento, el grupo usó información de alrededor de un millón de moléculas de PubChem, la base de datos química de acceso libre mantenida por los Institutos Nacionales de Salud de Estados Unidos. En lugar de alimentar el sistema con literatura química, calculó descriptores moleculares como el peso molecular y el número de átomos de oxígeno, y entrenó la red neuronal para predecirlos. El estudio describe el uso de 24 descriptores moleculares de bajo ruido que pueden calcularse a partir de las estructuras químicas. Esa etapa inicial permite que el sistema aprenda patrones antes de enfrentarse a una pregunta concreta. Los investigadores compararon CheMeleon con otros modelos fundacionales y con métodos clásicos basados en principios definidos por expertos. En 58 casos de prueba, Zalte dijo que el modelo obtuvo un desempeño superior al de los enfoques de referencia considerados en el estudio. El trabajo también ganó visibilidad en un concurso organizado por OpenADMET, centrado en predecir propiedades de moléculas nuevas que aún no habían sido sintetizadas. William Green, profesor Hoyt Hottel de Ingeniería Química del MIT, indicó que nueve de los 20 trabajos mejor clasificados usaron CheMeleon como parte de su proceso. Green relató que, después de ese concurso, varias empresas farmacéuticas contactaron al equipo mientras el artículo aún atravesaba la revisión por pares. También dijo que al menos una compañía envió a su personal una instrucción interna para comenzar con CheMeleon cada vez que modelara una propiedad, aunque no identificó cuál. El modelo puede descargarse como código abierto y se apoya en ChemProp, un paquete de aprendizaje automático desarrollado por el grupo de Green. Una publicación en X difundió el anuncio del proyecto, junto con un resumen de sus aplicaciones. > Ver la publicación original en X ## Publicación y alcance del proyecto El estudio, titulado *Deep learning foundation models for low-data regimes from classical molecular descriptors*, apareció en la edición del 14 de septiembre de la revista *Journal of Chemical Information and Modeling*. La investigación fue realizada por Zalte, Jackson Burns, Charlles Abreu y Green, junto con Jochen Sieg, Christian Feldmann y Miriam Mathea, investigadores de BASF SE en Alemania. Una versión anterior del artículo había aparecido en línea el año previo al anuncio del MIT. El proyecto recibió apoyo del consorcio Machine Learning for Pharmaceutical Discovery and Synthesis, además de becas del Departamento de Energía de Estados Unidos y de MathWorks. CheMeleon no elimina la necesidad de elegir datos adecuados ni de comprobar experimentalmente los resultados. Su aporte, según el trabajo, es ofrecer una manera de reutilizar patrones aprendidos de muchas moléculas cuando una nueva pregunta química cuenta con pocos ejemplos. 58 casos en los que el modelo superó otros enfoques, según sus autores --- **Fuente:** https://panorama.onl/tecnologia/mit-presenta-chemeleon-para-predecir-moleculas-con-pocos-datos-20261106-2205.html Publicado por Panorama Online — contenido de libre lectura; se permite citar con atribución y enlace a la URL original.