新しいマシンラーニングアプローチが薬剤設計を加速する可能性がある

ケンブリッジ大学の研究者チームによって開発された新しいマシンラーニングアプローチが、新しい疾患治療の探索を加速する可能性がある。 このアプローチは「学習する方法を学習する」ものであり、薬剤設計のための現在のマシンラーニング方法を上回っている。

新しい研究は、米国国家科学アカデミー紀要に掲載された。

変換可能マシンラーニング（TML）と呼ばれるこのアプローチは、イギリス、スウェーデン、インド、オランダの研究者によって開発された。

TML vs. 伝統的なML

TML方法は、学習しながらパフォーマンスを向上させ、複数の問題から学習することができる。 また、薬剤の同定と生産を加速することで、新しい薬剤の発見を加速する可能性もある。

現在のマシンラーニング（ML）モデルは、ラベル付きの例を使用することが多い。これらは、通常、色や形などの固有の特徴を通じてコンピューターで表現される。 これにより、コンピューターは特徴とラベルを関連付ける一般的なルールを形成することができる。

ケンブリッジ大学のケミカルエンジニアリングおよび生物技術学部のロス・キング教授は、この研究のリーダーである。

「これは、子供に異なる動物を識別させることのように考えることができる。 これはウサギであり、これはロバである」とキングは言った。 「マシンラーニングアルゴリズムにウサギの見た目を教えると、ウサギであるかどうかを判断することができる。 これがほとんどのマシンラーニングが機能する方法である。 一度に一つの問題に取り組む。」

人間の学習は、異なる方法で機能する。 我々は、以前の学習経験により、学習能力が向上する。 一度に一つの問題に取り組まない。

キングは、また、The Alan Turing Instituteのフェローでもある。

「TMLを開発するために、私たちはこのアプローチをマシンラーニングに適用し、以前遭遇した問題から学習した情報を使用して、新しい問題をよりよく学習するシステムを開発した」とキングは言った。 「典型的なMLシステムは、新しい種類の動物、たとえば子猫を識別することを学習するときに、最初から始める必要があるが、TMLは既存の動物との類似性を利用することができる。 子猫はウサギやロバのように可愛いが、ウサギやロバのように長い耳を持たない。 これにより、TMLはマシンラーニングへのより強力なアプローチとなる。」

方法のテスト

研究者たちは、この方法をテストし、その有効性を科学とエンジニアリングから抽出した数千の問題で証明した。 チームによると、特に薬剤発見の分野では、他のマシンラーニングモデルが特定の分子について何を言っているかを確認することで、プロセスを加速することができるため、非常に有望である。

典型的なマシンラーニングモデルは、特定の形状の薬剤分子を検索するが、新しいTMLアプローチは、薬剤の他の薬剤発見問題との接続を使用する。

「私は、どれほどうまく機能するか驚いた。 私たちが知っている限り、薬剤設計のためのものとしては、他に比べると優れている。 人間よりも優れて薬剤を選択することができ、最良の科学を持たないと、最良の結果は得られない」とキングは言った。