Νέα Προσέγγιση Μηχανικής Μάθησης Μπορεί να Επιταχύνει το Σχεδιασμό Φαρμάκων

Μια νέα προσέγγιση της μηχανικής μάθησης που αναπτύχθηκε από μια ομάδα ερευνητών στο Πανεπιστήμιο του Κέιμπριτζ μπορεί να επιταχύνει την αναζήτηση για νέες θεραπείες ασθενειών. Η προσέγγιση «μαθαίνει πώς να μαθαίνει» και υπερέχει των τρεχόντων μεθόδων μηχανικής μάθησης για το σχεδιασμό φαρμάκων.

Η νέα έρευνα δημοσιεύθηκε στο Proceedings of the National Academy of Sciences.

Ονομάζεται μετασχηματιστική μηχανική μάθηση (TML), η προσέγγιση αναπτύχθηκε από ερευνητές από το Ηνωμένο Βασίλειο, τη Σουηδία, την Ινδία και τις Κάτω Χώρες.

TML vs. Παραδοσιακή ML

Η μέθοδος TML βελτιώνει την απόδοση ενώ μαθαίνει και μπορεί να μαθαίνει από πολλαπλά προβλήματα. Μπορεί επίσης να επιταχύνει την αναγνώριση και παραγωγή νέων φαρμάκων βελτιώνοντας τα συστήματα μηχανικής μάθησης που χρησιμοποιούνται για την αναγνώριση τους.

Τα τρέχοντα μοντέλα μηχανικής μάθησης (ML) συχνά χρησιμοποιούν επισημασμένα παραδείγματα, τα οποία συνήθως αντιπροσωπεύονται στον υπολογιστή μέσω εσωτερικών χαρακτηριστικών όπως το χρώμα ή το σχήμα ενός αντικειμένου. Αυτό επιτρέπει στον υπολογιστή να σχηματίσει γενικές κανόνες που συνδέουν τα χαρακτηριστικά με τις ετικέτες.

Ο καθηγητής Ross King είναι από το Τμήμα Χημικής Μηχανικής και Βιοτεχνολογίας του Κέιμπριτζ και ηγήθηκε της έρευνας.

«Είναι κάτι σαν να διδάσκεις ένα παιδί να αναγνωρίζει διαφορετικά ζώα: αυτό είναι ένα κουνέλι, αυτό είναι ένα γαϊδούρι και così κ.λπ.», είπε ο King. «Αν διδάξετε ένα αλγόριθμο μηχανικής μάθησης πώς выглядίζει ένα κουνέλι, θα μπορεί να πει αν ένα ζώο είναι ή δεν είναι κουνέλι. Αυτός είναι ο τρόπος που λειτουργεί η περισσότερη μηχανική μάθηση — αντιμετωπίζει τα προβλήματα ένα προς ένα».

Η ανθρώπινη μάθηση λειτουργεί διαφορετικά. Γινόμαστε καλύτεροι στην μάθηση λόγω των προηγούμενων εμπειριών μας. Δεν αντιμετωπίζουμε ένα πρόβλημα κάθε φορά.

Ο King είναι επίσης Μέλος του Ινστιτούτου Alan Turing.

«Για να αναπτύξουμε την TML, εφαρμόσαμε αυτήν την προσέγγιση στη μηχανική μάθηση και αναπτύξαμε ένα σύστημα που μαθαίνει πληροφορίες από προηγούμενα προβλήματα που έχει αντιμετωπίσει για να μαθαίνει καλύτερα νέα προβλήματα», είπε ο King. «Όπου ένα τυπικό σύστημα ML πρέπει να αρχίσει από την αρχή όταν μαθαίνει να αναγνωρίζει einen νέο τύπο ζώου — π.χ. ένα γαϊδούρι — η TML μπορεί να χρησιμοποιήσει την ομοιότητα με υπάρχοντα ζώα: τα γαϊδούρια είναι όμορφα σαν τα κουνέλια, αλλά δεν έχουν μακρά αυτιά σαν τα κουνέλια και τα γαϊδούρια. Αυτό κάνει την TML μια πολύ πιο ισχυρή προσέγγιση στη μηχανική μάθηση».

Δοκιμή της Μεθόδου

Οι ερευνητές δοκιμάσαν την μέθοδο και απέδειξαν την αποτελεσματικότητά της σε χιλιάδες προβλήματα που αντλήθηκαν από την επιστήμη και τη μηχανική. Σύμφωνα με την ομάδα, είναι ιδιαίτερα υποσχόμενη στην περιοχή της ανακάλυψης φαρμάκων, καθώς μπορεί να επιταχύνει τη διαδικασία ελέγχοντας τι λένε άλλα μοντέλα μηχανικής μάθησης για ορισμένες молέκουλες.

Ενώ τα τυπικά μοντέλα μηχανικής μάθησης αναζητούν μόρια φαρμάκων ενός συγκεκριμένου σχήματος, η νέα προσέγγιση TML χρησιμοποιεί τη σύνδεση των φαρμάκων με άλλα προβλήματα ανακάλυψης φαρμάκων.

«Μέναξα πόσο καλά λειτουργεί — καλύτερα από οτιδήποτε άλλο γνωρίζουμε για το σχεδιασμό φαρμάκων», είπε ο King. «Είναι καλύτερο στο να επιλέγει φάρμακα από τους ανθρώπους — και χωρίς την καλύτερη επιστήμη, δεν θα πάρουμε τα καλύτερα αποτελέσματα».