Nouvelle approche d’apprentissage automatique pour accélérer la conception de médicaments

Une nouvelle approche d’apprentissage automatique développée par une équipe de chercheurs de l’Université de Cambridge pourrait accélérer la recherche de nouveaux traitements contre les maladies. Cette approche « apprend à apprendre » et surpasse les méthodes d’apprentissage automatique actuelles pour la conception de médicaments.

Les nouvelles recherches ont été publiées dans les Proceedings de l’Académie nationale des sciences.

Appelée apprentissage automatique transformationnel (TML), cette approche a été développée par des chercheurs du Royaume-Uni, de la Suède, de l’Inde et des Pays-Bas.

TML vs. Apprentissage automatique traditionnel

La méthode TML améliore les performances tout en apprenant et peut apprendre à partir de plusieurs problèmes. Elle pourrait également accélérer l’identification et la production de nouveaux médicaments en améliorant les systèmes d’apprentissage automatique utilisés pour les identifier.

Les modèles d’apprentissage automatique (ML) actuels utilisent souvent des exemples étiquetés, qui sont généralement représentés dans l’ordinateur par des caractéristiques intrinsèques comme la couleur ou la forme d’un objet. Cela permet à l’ordinateur de former des règles générales qui relient les caractéristiques aux étiquettes.

Le professeur Ross King est du département de génie chimique et de biotechnologie de Cambridge, et il a dirigé les recherches.

« C’est un peu comme enseigner à un enfant à identifier différents animaux : ceci est un lapin, ceci est un âne, etc. », a déclaré King. « Si vous enseignez à un algorithme d’apprentissage automatique à quoi ressemble un lapin, il sera capable de dire si un animal est ou non un lapin. C’est ainsi que fonctionne la plupart de l’apprentissage automatique – il traite les problèmes un à un. »

L’apprentissage humain fonctionne différemment. Nous devenons meilleurs dans l’apprentissage en raison de nos expériences d’apprentissage précédentes. Nous ne traitons pas un seul problème à la fois.

King est également membre de l’Institut Alan Turing.

« Pour développer le TML, nous avons appliqué cette approche à l’apprentissage automatique et avons développé un système qui apprend des informations à partir de problèmes précédents qu’il a rencontrés afin de mieux apprendre de nouveaux problèmes », a déclaré King. « Lorsqu’un système ML typique doit recommencer à zéro lorsqu’il apprend à identifier un nouveau type d’animal – disons un chaton – le TML peut utiliser la similarité avec les animaux existants : les chatons sont mignons comme les lapins, mais n’ont pas de longues oreilles comme les lapins et les ânes. Cela rend le TML une approche beaucoup plus puissante pour l’apprentissage automatique. »

Test de la méthode

Les chercheurs ont testé la méthode et prouvé son efficacité sur des milliers de problèmes issus de la science et de l’ingénierie. Selon l’équipe, elle est particulièrement prometteuse dans le domaine de la découverte de médicaments, car elle peut accélérer le processus en vérifiant ce que d’autres modèles d’apprentissage automatique disent sur certaines molécules.

Alors que les modèles d’apprentissage automatique typiques recherchent des molécules de médicaments d’une forme spécifique, la nouvelle approche TML utilise la connexion des médicaments à d’autres problèmes de découverte de médicaments.

« J’ai été surpris de voir à quel point cela fonctionne bien – mieux que tout ce que nous connaissons pour la conception de médicaments », a déclaré King. « C’est meilleur pour choisir des médicaments que les humains – et sans la meilleure science, nous n’obtiendrons pas les meilleurs résultats.