یک مدل پیش‌بینی مولکولی که در MIT توسعه یافته است، می‌تواند به پژوهشگران کمک کند هنگام کمبود داده‌های آزمایشگاهی، ترکیبات را برای آزمایش اولویت‌بندی کنند. این مدل با نام CheMeleon ابتدا از توصیف‌های محاسبه‌شده و کم‌هزینهٔ ساختار مولکولی می‌آموزد و سپس با داده‌های برچسب‌دار محدود، برای وظایف پیش‌بینی مشخص سازگار می‌شود. شواهد به پیش‌بینی محاسباتی مربوط‌اند و توسعهٔ موفق یک داروی جدید را نشان نمی‌دهند.
MIT در گزارش ۶ نوامبر ۲۰۲۶ خود، پژوهش آکشات شریش زالته، جکسون برنز، شارلس آبرو، ویلیام گرین و سه پژوهشگر BASF را شرح می‌دهد. طبق این گزارش، مقالهٔ آنان با عنوان «مدل‌های بنیادی یادگیری عمیق برای شرایط کم‌داده بر پایهٔ توصیفگرهای مولکولی کلاسیک» پس از داوری علمی در شمارهٔ ۱۴ سپتامبر مجلهٔ Journal of Chemical Information and Modeling منتشر شده است. خود مقاله و مدارک داوری برای ارزیابی مستقیم در اختیار نبودند.
CheMeleon با استفاده از بستهٔ متن‌باز ChemProp ساخته شده و با حدود یک میلیون مولکول از PubChem، پایگاه اطلاعات شیمیایی تحت مدیریت مؤسسه‌های ملی سلامت آمریکا، پیش‌آموزش دیده است. وظیفهٔ آموزشی آن پیش‌بینی حدود ۱۶۰۰ توصیفگر مولکولی محاسبه‌شده، از جمله جرم مولکولی و تعداد اتم‌های اکسیژن، بود. سپس پژوهشگران مدل را برای خواص مشخصی مانند حلالیت یا فعالیت زیستی تنظیم دقیق می‌کنند. به این ترتیب، الگوهای آموخته‌شده در پیش‌آموزش منتقل می‌شوند و لازم نیست هر وظیفه از ابتدا آموخته شود.
پژوهشگران CheMeleon را در ۵۸ مورد ارزیابی با دیگر مدل‌های بنیادی مولکولی و مدل‌های کلاسیکِ مبتنی بر توصیفگرهای طراحی‌شده توسط متخصصان مقایسه کردند. آنان بهترین عملکرد کلی را برای CheMeleon گزارش می‌کنند. مولکول‌ها واحد پیش‌بینی بودند و این ۵۸ مورد، ارزیابی‌هایی در سطح وظیفه را تشکیل می‌دادند. گزارش ارائه‌شده هیچ امتیاز عددی، اندازهٔ اثر، برآورد عدم‌قطعیت یا نتیجهٔ مختص هر وظیفه‌ای ندارد؛ بنابراین اندازه و میزان ثبات این برتری قابل ارزیابی نیست.
MIT همچنین گزارش می‌دهد که ۹ مورد از ۲۰ اثر ارسالیِ برتر یک رقابت OpenADMET، در فرایند کاری خود از CheMeleon استفاده کرده بودند. این موضوع استفاده از مدل را در میان آثار ارسالیِ دارای رتبه‌های بالا نشان می‌دهد، اما سهم آن را از دیگر اجزای فرایند جدا نمی‌کند. استفادهٔ شرکت‌های داروسازی نیز بر پایهٔ گفته‌های پژوهشگران توصیف شده است، نه اعتبارسنجی مستقل. این مدل از طریق ChemProp برای دریافت و تنظیم دقیق در دسترس است.
چشم‌انداز کاربردی این روش، کمک به انتخاب مولکول‌هایی است که ارزش سنتز و آزمایش پرهزینه را دارند؛ اما شواهد ارائه‌شده تعداد اندازه‌گیری‌های آزمایشگاهی یا هزینه‌های صرفه‌جویی‌شده را مشخص نمی‌کنند. نام مجموعه‌های ارزیابی، اندازهٔ مجموعه‌داده‌ها، معیارهای سنجش، تنظیمات مدل‌های مقایسه‌ای و روش تقسیم داده‌ها نیز ذکر نشده‌اند. بدون روش‌های اصلی، نمی‌توان هم‌پوشانی داده‌های پیش‌آموزش و آزمون، وابستگی میان مولکول‌های مرتبط، نشت اطلاعات، شیوهٔ تنظیم مدل و نحوهٔ برخورد با مقایسه‌های مکرر را ارزیابی کرد. بنابراین، ارزیابی‌های گزارش‌شده از بررسی بیشتر پیش‌بینی با داده‌های محدود پشتیبانی می‌کنند، اما برتری همگانی یا موفقیت در کشف دارو در کاربردهای آینده را اثبات نمی‌کنند.
تصویر جلد با هوش مصنوعی تولید شده و تصویرسازی مفهومی است؛ مدرک پژوهش نیست.