En ny maskinlæringsmetode kan accelerere lægemiddeldesign

En ny tilgang til maskinlærning, udviklet af et hold af forskere fra University of Cambridge, kan accelerere søgningen efter nye sygdomsbehandlinger. Tilgangen “lærer at lære” og overgår nuværende maskinlæringsmetoder til lægemiddeldesign.

Den nye forskning blev offentliggjort i Proceedings of the National Academy of Sciences.

Denne tilgang, der kaldes transformational machine learning (TML), blev udviklet af forskere fra Storbritannien, Sverige, Indien og Holland.

TML vs. Traditionel ML

TML-metoden forbedrer performance, mens den lærer, og kan lære fra multiple problemer. Den kan også accelerere identifikationen og produktionen af nye lægemidler ved at forbedre de maskinlæringsystemer, der bruges til at identificere dem.

Nuværende maskinlæringsmodeller (ML) bruger ofte mærkede eksempler, der normalt repræsenteres i computeren gennem intrinsiske funktioner som farven eller formen på et objekt. Dette giver computeren mulighed for at danne generelle regler, der relaterer funktionerne til mærkerne.

Professor Ross King er fra Cambridges afdeling for kemisk ingeniørvidenskab og bioteknologi, og han ledede forskningen.

“Det er lidt ligesom at undervise et barn i at identificere forskellige dyr: dette er en kanin, dette er en æsel og så videre,” sagde King. “Hvis du underviser en maskinlæringsalgoritme i, hvordan en kanin ser ud, vil den være i stand til at sige, om et dyr er eller ikke er en kanin. Dette er den måde, hvorpå de fleste maskinlæringsmodeller fungerer – de beskæftiger sig med problemer én ad gangen.”

Menneskelig læring fungerer anderledes. Vi bliver bedre til at lære på grund af vores tidligere læringsoplevelser. Vi beskæftiger os ikke med ét problem ad gangen.

King er også medlem af The Alan Turing Institute.

“For at udvikle TML, anvendte vi denne tilgang på maskinlærning og udviklede et system, der lærer information fra tidligere problemer, det har mødt, for at bedre lære nye problemer,” sagde King. “Hvor en typisk ML-model skal starte fra scratch, når den lærer at identificere en ny type dyr – sige en killling – kan TML bruge ligheden med eksisterende dyr: kittinger er søde som kaniner, men har ikke lange ører som kaniner og æsler. Dette gør TML til en langt mere kraftfuld tilgang til maskinlærning.”

Test af metoden

Forskerne testede metoden og beviste dens effektivitet på tusindvis af problemer, der blev trukket fra videnskab og ingeniørvidenskab. Ifølge holdet er det særligt lovende inden for lægemiddelforskning, da det kan accelerere processen ved at tjekke, hvad andre maskinlæringsmodeller siger om bestemte molekyler.

Mens typiske maskinlæringsmodeller søger efter lægemiddelmolekyler af en bestemt form, bruger den nye TML-tilgang forbindelsen mellem lægemidlerne og andre lægemiddelforskningsproblemer.

“Jeg var overrasket over, hvor godt det fungerer – bedre end noget andet, vi kender til lægemiddeldesign,” sagde King. “Det er bedre til at vælge lægemidler end mennesker er – og uden den bedste videnskab, vil vi ikke få de bedste resultater.