Ny maskinlæringsmetode kan akselerere legemiddeldesign

En ny tilnærming til maskinlæring utviklet av et team av forskere ved University of Cambridge kan akselerere søket etter nye sykdomsbehandlinger. Tilnærmingen “lærer å lære” og overgår nåværende maskinlæringmetoder for legemiddeldesign.

Den nye forskningen ble publisert i Proceedings of the National Academy of Sciences.

Betegnet som transformational maskinlæring (TML), ble tilnærmingen utviklet av forskere fra Storbritannia, Sverige, India og Nederland.

TML vs. Tradisjonell ML

TML-metoden forbedrer ytelsen mens den lærer og kan lære fra flere problemer. Den kan også akselerere identifisering og produksjon av nye legemidler ved å forbedre maskinlæringsystemene som brukes til å identifisere dem.

Nåværende maskinlæringsmodeller (ML) bruker ofte merkte eksempler, som vanligvis representeres i datamaskinen gjennom innebygde egenskaper som farge eller form på et objekt. Dette gjør det mulig for datamaskinen å danne generelle regler som relaterer egenskapene til merkene.

Professor Ross King er fra Cambridges avdeling for kjemisk ingeniørvitenskap og bioteknologi, og han ledet forskningen.

“Det er som å lære et barn å identifisere forskjellige dyr: dette er en kanin, dette er en esel og så videre,” sa King. “Hvis du lærer en maskinlæringsalgoritme hva en kanin ser ut som, vil den være i stand til å si om et dyr er eller ikke er en kanin. Dette er måten som de fleste maskinlæringsmetoder fungerer — de behandler problemer én om gangen.”

Menneskelig læring fungerer annerledes. Vi blir bedre til å lære på grunn av våre tidligere læringsopplevelser. Vi behandler ikke ett problem om gangen.

King er også en Fellow ved The Alan Turing Institute.

“For å utvikle TML, aplikerte vi denne tilnærmingen til maskinlæring og utviklet et system som lærer informasjon fra tidligere problemer det har møtt for å bedre lære nye problemer,” sa King. “Hvor en typisk ML-system må starte fra scratch når det lærer å identifisere en ny type dyr — si en kattunge — kan TML bruke likheten til eksisterende dyr: kattunger er cute som kaniner, men har ikke lange ører som kaniner og esler. Dette gjør TML til en mye kraftigere tilnærming til maskinlæring.”

Testing av metoden

Forskerne testet metoden og beviste dens effektivitet på tusenvis av problemer som ble trukket fra vitenskap og ingeniørvitenskap. Ifølge teamet er det spesielt løftende i området for legemiddelforskning, da det kan akselerere prosessen ved å sjekke hva andre maskinlæringsmodeller sier om bestemte molekyler.

Mens typiske maskinlæringsmodeller søker etter legemiddelmolekyler av en bestemt form, bruker den nye TML-tilnærmingen tilkoblingen av legemidlene til andre legemiddelforskningsproblemer.

“Jeg var overrasket over hvor godt det fungerer — bedre enn noe annet vi kjenner til for legemiddeldesign,” sa King. “Det er bedre til å velge legemidler enn mennesker er — og uten den beste vitenskapen, vil vi ikke få de beste resultater.