Nová přístup k strojnímu učení by mohla urychlit návrh léků

Nový přístup k strojnímu učení vyvinutý týmem výzkumníků z Univerzity v Cambridgi by mohl urychlit hledání nových léčiv. Tento přístup „se učí, jak se učit“ a předčí současné metody strojního učení pro návrh léků. 

Nový výzkum byl zveřejněn v Proceedings of the National Academy of Sciences.

Tento přístup, nazvaný transformační strojové učení (TML), byl vyvinut výzkumníky z Velké Británie, Švédska, Indie a Nizozemska. 

TML vs. Tradiční ML 

Metoda TML zlepšuje výkon, zatímco se učí a může se učit z více problémů. Může také urychlit identifikaci a výrobu nových léků zlepšením systémů strojního učení, které se používají k jejich identifikaci.

Současné modely strojního učení (ML) často používají označené příklady, které jsou obvykle reprezentovány v počítači prostřednictvím vnitřních vlastností, jako je barva nebo tvar objektu. To umožňuje počítači vytvořit obecná pravidla, která souvisejí s vlastnostmi a označeními. 

Profesor Ross King je z katedry chemického inženýrství a biotechnologie Univerzity v Cambridgi a vedl výzkum.

„Je to podobné jako učení dítěte identifikovat různé zvířata: toto je králík, toto je osel a tak dále,” řekl King. “Pokud učíte algoritmus strojního učení, jak vypadá králík, bude schopen určit, zda je zvíře králíkem nebo ne. Takto funguje většina strojního učení – zabývá se problémy jeden po druhém.”

Lidské učení funguje jinak. Stáváme se lepšími v učení díky našim předchozím zkušenostem s učením. Nezabýváme se jedním problémem najednou. 

King je také členem The Alan Turing Institute. 

“K vývoji TML jsme použili tento přístup ve strojním učení a vyvinuli systém, který se učí informace z předchozích problémů, se kterými se setkal, aby lépe učil nové problémy,” řekl King. “Zatímco typický systém ML musí začít od začátku, když se učí identifikovat nový typ zvířete – řekněme kotě – TML může použít podobnost s existujícími zvířaty: kotě je podobné králíkovi, ale nemá dlouhé uši jako králíci a osli. To dělá TML mnohem mocnějším přístupem ke strojnímu učení.”

Testování metody

Výzkumníci otestovali metodu a prokázali její účinnost na tisících problémech z vědy a inženýrství. Podle týmu je to zejména slibné v oblasti objevování léků, protože může urychlit proces kontrolou toho, co říkají jiné modely strojního učení o bestimmých molekulách. 

Zatímco typické modely strojního učení hledají molekuly léků bestimmého tvaru, nový přístup TML používá spojení léků s jinými problémy objevování léků. 

“Byl jsem překvapen, jak dobře to funguje – lépe než cokoliv jiného, co známe pro návrh léků,” řekl King. “Je lepší při výběru léků než lidé – a bez nejlepší vědy nezískáme nejlepší výsledky.