Uusi koneoppimismenetelmä voi kiihdyttää lääkekehitystä

Cambridgen yliopiston tutkijaryhmän kehittämä uusi koneoppimismenetelmä voi kiihdyttää uusien tautien hoitokeinojen etsintää. Menetelmä “oppii oppimaan” ja ylittää nykyiset koneoppimismenetelmät lääkekehityksessä.

Uusi tutkimus julkaistiin Proceedings of the National Academy of Sciences-julkaisussa.

Tämä muunneltu koneoppimismenetelmä (TML) kehitettiin tutkijaryhmän toimesta Iso-Britanniasta, Ruotsista, Intiasta ja Alankomaista.

TML vs. Perinteinen ML

TML-menetelmä parantaa suorituskykyä oppimisen aikana ja voi oppia useista ongelmista. Se voi myös kiihdyttää uusien lääkeaineiden tunnistamista ja tuotantoa parantamalla koneoppimisjärjestelmiä, joita käytetään niiden tunnistamiseen.

Nykyiset koneoppimismallit (ML) käyttävät usein merkittyjä esimerkkejä, jotka ovat yleensä edustettuina tietokoneessa intrinsisillä ominaisuuksilla, kuten esineen väri tai muoto. Tämä mahdollistaa tietokoneen muodostaa yleisiä sääntöjä, jotka liittävät ominaisuudet merkintöihin.

Professori Ross King on Cambridgen kemian ja biotekniikan osaston jäsen ja johti tutkimusta.

“Se on kuin opettaisin lapselle tunnistamaan eri eläimiä: tämä on jänis, tämä on aasi jne.”, sanoi King. “Jos opetan koneoppimisalgoritmille, miltä jänis näyttää, se pystyy sanomaan, onko eläin jänis vai ei. Tämä on tapa, jolla useimmat koneoppimismenetelmät toimivat – ne käsittelevät ongelmia yksi kerrallaan.”

Ihmiset oppivat toisin. Me parannamme oppimiskykyämme aikaisempien oppimiskokemusten ansiosta. Emme käsittele yhtä ongelmaa kerrallaan.

King on myös The Alan Turing Institute -järjestön jäsen.

“TML:n kehittämiseksi sovelsimme tätä lähestymistapaa koneoppimiseen ja kehittimme järjestelmän, joka oppii tietoa aiemmista ongelmista, joita se on kohdannut, jotta se voisi oppia uusia ongelmia paremmin”, sanoi King. “Kun tyypillinen ML-järjestelmä joutuu aloittamaan alusta, kun se opettelee tunnistamaan uuden eläinten lajin – sanotaan kissan – TML voi käyttää samankaltaisuutta olemassa oleviin eläimiin: kissat ovat söpöjä kuin jänikset, mutta eivät ole pitkäkorvaisia kuin jänikset ja aasit. Tämä tekee TML:stä paljon voimakkaamman lähestymistapan koneoppimiseen.”

Menetelmän testaaminen

Tutkijat testasivat menetelmän ja osoittivat sen tehokkuuden tuhansilla ongelmilla, jotka otettiin tieteestä ja insinööritieteestä. Tutkijaryhmän mukaan se on erityisen lupaava lääkekehityksen alalla, koska se voi nopeuttaa prosessia tarkistamalla, mitä muita koneoppimismalleja sanotaan tiettyjen molekyylien suhteen.

Kun tyypilliset koneoppimismallit etsivät lääkeaineita tietyn muodon mukaan, uusi TML-lähestymistapa käyttää lääkkeiden yhteyttä muihin lääkekehitysongelmiin.

“Olin yllättynyt siitä, kuinka hyvin se toimii – paremmin kuin mitään muuta, mitä tiedämme lääkekehityksestä”, sanoi King. “Se on parempi valitsemaan lääkkeitä kuin ihmiset – ja ilman parasta tieteellistä osaamista emme saa parhaita tuloksia.