Nuovo approccio di apprendimento automatico potrebbe accelerare la progettazione dei farmaci

Un nuovo approccio all’apprendimento automatico sviluppato da un team di ricercatori dell’Università di Cambridge potrebbe accelerare la ricerca di nuovi trattamenti per le malattie. L’approccio “impara a imparare” e supera le attuali metodologie di apprendimento automatico per la progettazione dei farmaci.

La nuova ricerca è stata pubblicata sul Proceedings of the National Academy of Sciences.

Definito apprendimento automatico trasformazionale (TML), l’approccio è stato sviluppato da ricercatori del Regno Unito, Svezia, India e Paesi Bassi.

TML vs. Apprendimento automatico tradizionale

Il metodo TML migliora le prestazioni mentre apprende e può apprendere da più problemi. Potrebbe anche accelerare l’identificazione e la produzione di nuovi farmaci migliorando i sistemi di apprendimento automatico utilizzati per identificarli.

I modelli di apprendimento automatico (ML) attuali spesso utilizzano esempi etichettati, che sono solitamente rappresentati nel computer attraverso caratteristiche intrinseche come il colore o la forma di un oggetto. Ciò consente al computer di formare regole generali che collegano le caratteristiche alle etichette.

Il professor Ross King è del Dipartimento di Ingegneria Chimica e Biotecnologia di Cambridge e ha guidato la ricerca.

“È come insegnare a un bambino a identificare diversi animali: questo è un coniglio, questo è un asino e così via”, ha detto King. “Se si insegna a un algoritmo di apprendimento automatico come appare un coniglio, sarà in grado di dire se un animale è o non è un coniglio. Questo è il modo in cui funziona la maggior parte dell’apprendimento automatico – si occupa di problemi uno alla volta”.

L’apprendimento umano funziona diversamente. Diventiamo migliori nell’apprendere a causa delle nostre precedenti esperienze di apprendimento. Non ci occupiamo di un solo problema alla volta.

King è anche un fellow dell’Istituto Alan Turing.

“Per sviluppare il TML, abbiamo applicato questo approccio all’apprendimento automatico e sviluppato un sistema che apprende informazioni da problemi precedenti che ha incontrato per imparare meglio nuovi problemi”, ha detto King. “Mentre un sistema ML tipico deve iniziare da zero quando apprende a identificare un nuovo tipo di animale – ad esempio un gattino – il TML può utilizzare la somiglianza con animali esistenti: i gattini sono carini come i conigli, ma non hanno orecchie lunghe come i conigli e gli asini. Ciò rende il TML un approccio molto più potente all’apprendimento automatico”.

Test del metodo

I ricercatori hanno testato il metodo e dimostrato la sua efficacia su migliaia di problemi tratti dalla scienza e dall’ingegneria. Secondo il team, è particolarmente promettente nel campo della scoperta dei farmaci, poiché può accelerare il processo verificando cosa dicono altri modelli di apprendimento automatico su determinate molecole.

Mentre i modelli di apprendimento automatico tradizionali cercano molecole di un forma specifica, il nuovo approccio TML utilizza la connessione dei farmaci ad altri problemi di scoperta dei farmaci.

“Sono stato sorpreso da quanto funziona bene – meglio di qualsiasi altra cosa che conosciamo per la progettazione dei farmaci”, ha detto King. “È migliore nel scegliere i farmaci rispetto agli esseri umani – e senza la migliore scienza, non otterremo i migliori risultati.