Neuer Machine-Learning-Ansatz könnte die Arzneimittelentwicklung beschleunigen

Ein neuer Ansatz für Machine Learning, entwickelt von einem Team von Forschern an der University of Cambridge, könnte die Suche nach neuen Krankheitsbehandlungen beschleunigen. Der Ansatz “lernt, wie man lernt” und übertrifft die aktuellen Machine-Learning-Methoden für die Arzneimittelentwicklung.

Die neue Forschung wurde in den Proceedings of the National Academy of Sciences.

Der als transformationales Machine Learning (TML) bezeichnete Ansatz wurde von Forschern aus dem Vereinigten Königreich, Schweden, Indien und den Niederlanden entwickelt.

TML im Vergleich zum traditionellen ML

Die TML-Methode verbessert die Leistung, während sie lernt, und kann aus mehreren Problemen lernen. Sie könnte auch die Identifizierung und Produktion neuer Arzneimittel beschleunigen, indem sie die Machine-Learning-Systeme verbessert, die zur Identifizierung verwendet werden.

Aktuelle Machine-Learning-Modelle (ML) verwenden oft beschriftete Beispiele, die normalerweise durch intrinsische Merkmale wie die Farbe oder Form eines Objekts im Computer dargestellt werden. Dies ermöglicht es dem Computer, allgemeine Regeln zu bilden, die die Merkmale mit den Beschriftungen in Verbindung bringen.

Professor Ross King ist aus dem Department of Chemical Engineering and Biotechnology der University of Cambridge und leitete die Forschung.

“Es ist ein bisschen so, als ob man einem Kind beibringt, verschiedene Tiere zu identifizieren: das ist ein Hase, das ist ein Esel und so weiter”, sagte King. “Wenn man einem Machine-Learning-Algorithmus beibringt, wie ein Hase aussieht, kann er erkennen, ob ein Tier ein Hase ist oder nicht. So funktioniert die meisten Machine Learning – sie beschäftigt sich mit einem Problem nach dem anderen.”

Das menschliche Lernen funktioniert anders. Wir werden besser im Lernen durch unsere vorherigen Lernerfahrungen. Wir beschäftigen uns nicht mit einem einzigen Problem nach dem anderen.

King ist auch ein Fellow am Alan Turing Institute.

“Um TML zu entwickeln, haben wir diesen Ansatz auf Machine Learning angewendet und ein System entwickelt, das Informationen aus vorherigen Problemen, die es bereits gelöst hat, nutzt, um neue Probleme besser zu lernen”, sagte King. “Während ein typisches ML-System von vorne beginnen muss, wenn es lernt, ein neues Tier zu identifizieren – sagen wir ein Kitten – kann TML die Ähnlichkeit mit bestehenden Tieren nutzen: Kitten sind süß wie Hasen, aber haben keine langen Ohren wie Hasen und Esel. Dies macht TML zu einem viel leistungsfähigeren Ansatz für Machine Learning.”

Testen der Methode

Die Forscher testeten die Methode und bewiesen ihre Wirksamkeit anhand von Tausenden von Problemen aus Wissenschaft und Technik. Laut dem Team ist sie besonders vielversprechend im Bereich der Arzneimittelentdeckung, da sie den Prozess beschleunigen kann, indem sie überprüft, was andere Machine-Learning-Modelle über bestimmte Moleküle sagen.

Während typische Machine-Learning-Modelle nach Arzneimolekülen einer bestimmten Form suchen, nutzt der neue TML-Ansatz die Verbindung der Arzneimittel zu anderen Arzneimittelentdeckungsproblemen.

“Ich war überrascht, wie gut es funktioniert – besser als alles, was wir für die Arzneimittelentwicklung kennen”, sagte King. “Es ist besser darin, Arzneimittel auszuwählen, als Menschen – und ohne die beste Wissenschaft werden wir nicht die besten Ergebnisse erzielen.