El CheMeleon del MIT aprende química de un millón de moléculas para que las farmacéuticas necesiten una experimentación mucho menor
Un nuevo modelo de inteligencia artificial entrenado con datos básicos sobre moléculas puede predecir el comportamiento de nuevos químicos, reduciendo los ensayos y errores que hacen lentos y costosos el descubrimiento de fármacos y materiales.

Un programa de IA que predice cómo se comportarán los productos químicos para que las empresas necesiten menos experimentos en el laboratorio
- Aprende química a partir de un millón de moléculas registradas
- Le indicas una nueva molécula que quieres estudiar
- Lo ajustas con unas pocas mediciones reales que ya tienes
- Predice la propiedad sin tener que hacer muchas pruebas nuevas

Imagen: news.mit.edu
Aprender química, no literatura
Algunos modelos exitosos usan datos extensos de la literatura publicada en revistas químicas 1. El equipo del MIT siguió un camino diferente . Partieron de PubChem, una base de datos de acceso libre gestionada por los Institutos Nacionales de Salud de Estados Unidos, y extrajeron información sobre aproximadamente un millón de moléculas . A partir de cada molécula calcularon características sencillas de obtener, como el peso molecular, el número de átomos de oxígeno, lo ramificado o voluminoso que es su estructura, y unas 1.600 descriptoras similares que los químicos han reunido a lo largo de décadas .
Primero se le pidió al modelo que adivinara esos descriptores solo a partir de la estructura molecular 1. Eso podría parecer un ejercicio circular hacia lo ya conocido, pero obliga al sistema a descubrir por sí mismo cómo se relacionan los arreglos atómicos con rasgos químicos medibles . "No lo estamos entrenando para una propiedad específica, sino como un modelo general que comprende un nivel de química", dijo el estudiante de posgrado Akshat Shirish Zalte . Una vez sentadas esas bases, el mismo modelo puede ajustarse para una tarea concreta —solubilidad, toxicidad, la fuerza con la que un compuesto se une a una proteína— con muchos menos ejemplos etiquetados de los que necesitaría un modelo entrenado desde cero .
Adopción real antes de la revisión por pares
Los resultados se enviaron a la Journal of Chemical Information and Modeling el 14 de septiembre, pero el interés práctico llegó meses antes 1. A principios de este año, OpenADMET, una organización que organiza competiciones para predecir propiedades de moléculas nunca producidas, realizó un concurso . Cuando se anunciaron los ganadores, nueve de los veinte primeros equipos habían usado CheMeleon como parte de sus procesos .
Esa racha llamó la atención. El profesor William Green, catedrático Hoyt Hottel de Ingeniería Química en el MIT, dijo que al menos una farmacéutica envió un memorando a todos sus investigadores ordenándoles empezar cualquier proyecto de modelado de propiedades con CheMeleon 1. "Cada vez que modele una propiedad, empiece con CheMeleon; esa es nuestra nueva política corporativa", según se informa . El código abierto está integrado en ChemProp, otra herramienta mantenida por el grupo de Green, y cualquiera puede descargarla y adaptarla .
Cuando el descubrimiento de fármacos se queda sin datos, solo un enfoque sigue funcionando
Según estudio del MIT publicado en el Journal of Chemical Information and Modeling; nueve de los veinte mejores equipos de OpenADMET también recurrieron a CheMe
Por qué la escasez lo cambia todo
La fortaleza del modelo se muestra con mayor claridad cuando los datos son escasos 1. Desarrollar un nuevo fármaco suele significar perseguir un objetivo celular recién descubierto para el cual casi no existen datos de unión . Los enfoques clásicos, donde los expertos construyen fórmulas manualmente basándose en relaciones conocidas entre descriptores y resultados, tienen dificultades en esa situación porque no hay nada familiar que los ancle . Los modelos de aprendizaje profundo normalmente requieren aún más datos que los métodos tradicionales . CheMeleon, en cambio, aporta conocimiento previo de la química y solo necesita una pequeña cantidad de información específica de propiedades para alcanzar una precisión útil .
Un millón de moléculas sigue siendo una fracción minúscula de las formas casi infinitas en que los átomos pueden unirse, pero el equipo encontró que era suficiente para que la IA captara patrones subyacentes y los transfiriera a estructuras completamente nuevas 1. Los investigadores del MIT, entre ellos el reciente graduado Jackson Burns PhD '26 y el científico investigador Charlles Abreu, colaboraron con tres científicos de la empresa química BASF en el estudio . Una versión anterior del artículo circula en línea desde el año pasado, y el modelo de código abierto ya ha entrado en uso habitual en varias farmacéuticas .
Esta nota informa sobre una tendencia con fines exclusivamente informativos. No constituye asesoramiento ni recomendación para hacer ninguna de estas cosas.
Qué tan bueno es
El equipo comparó CheMeleon contra otros modelos de base existentes y contra modelos clásicos guiados por expertos en 58 casos de prueba, y CheMeleon quedó primero en cada comparación 1. El modelo destaca especialmente cuando los datos son escasos, justo cuando el descubrimiento de fármacos suele tener problemas porque los objetivos celulares recientes tienen poca o ninguna datos de unión disponibles . No se publicaron puntuaciones numéricas específicas en la fuente, por lo que el ranking solo se describe como quedar primero en las 58 pruebas . Nueve de los veinte primeros equipos en una competición de OpenADMET también usaron CheMeleon, lo que muestra que funciona bien bajo condiciones de evaluación independientes .
Correcciones y actualizaciones
- Corregido el 10 de noviembre de 2026. Una versión anterior indicaba que la mayoría de los modelos de IA de química se alimentaban de artículos académicos; la fuente atribuyó esa afirmación solo a algunos modelos exitosos. Una versión anterior también insinuaba que la instrucción farmacéutica llegó después de la revisión por pares; la fuente la describió como algo que ocurrió mientras el artículo aún estaba bajo revisión.
Los datos clave
- CheMeleon es un modelo fundacional preentrenado desarrollado en el MIT que aprende química general a partir de aproximadamente un millón de registros de PubChem utilizando alrededor de 1.600 descriptores moleculares.
- Nueve de los veinte primeros equipos en el concurso de predicción OpenADMET utilizaron CheMeleon, lo que al menos motivó a una compañía farmacéutica a adoptarlo como punto de partida predeterminado para el modelado de propiedades.
- El modelo supera tanto a los métodos clásicos impulsados por expertos como a los enfoques típicos de aprendizaje profundo cuando hay pocos datos sobre una propiedad objetivo.
- CheMeleon es de código abierto y se puede descargar a través de ChemProp, un paquete mantenido por el MIT; el equipo de investigación incluye autores del MIT y de BASF.
Fuentes
Si esta noticia te afecta a ti o a tu empresa, o usa algo que te pertenece, pide una corrección o que se retire. Cómo funcionan las solicitudes
Sigue leyendo
Apps y productosEl copiloto con IA del MIT permite a los ingenieros guiar diseños estructurales en tiempo realHerald of AI
El copiloto con IA del MIT permite a los ingenieros guiar diseños estructurales en tiempo real
Una nueva herramienta muestra a los diseñadores de edificios el borrador que está creando la IA y pide su opinión, produciendo estructuras más resistentes y viables en solo 15 segundos adicionales.
Cómo funcionaNuevo método permite que los detectores de texto para IA alcancen 93 % de precisión, atrapando textos disfrazadosHerald of AI
Nuevo método permite que los detectores de texto para IA alcancen 93 % de precisión, atrapando textos disfrazados
Un truco de entrenamiento permite que las herramientas de detección se adapten en tiempo real para mantener su precisión mientras siguen cambiando los estilos de escritura de la IA y de los humanos.
Cómo funcionaEl investigador del MIT quiere que la IA se explique sola en lugar de ocultar su funcionamientoHerald of AI
El investigador del MIT quiere que la IA se explique sola en lugar de ocultar su funcionamiento
Jacob Andreas está entrenando a la IA para hablar sobre lo que ha aprendido, brindando a los usuarios habituales una forma de entender cómo toman decisiones estos sistemas, en vez de depender solo de complejas herramientas de depuración.