Ny maskinläransats kan accelerera läkemedelsutveckling

En ny tillvägagångssätt för maskinlärning som utvecklats av en grupp forskare vid University of Cambridge kan accelerera sökandet efter nya sjukdomsbehandlingar. Tillvägagångssättet “lär sig att lära” och överträffar nuvarande maskinlärningsmetoder för läkemedelsutveckling.

Den nya forskningen publicerades i Proceedings of the National Academy of Sciences.

Den nya metoden, som kallas transformational machine learning (TML), utvecklades av forskare från Storbritannien, Sverige, Indien och Nederländerna.

TML vs. Traditionell ML

TML-metoden förbättrar prestanda medan den lär sig och kan lära sig från flera problem. Den kan också accelerera identifieringen och produktionen av nya läkemedel genom att förbättra maskinlärningssystemen som används för att identifiera dem.

Nuvarande maskinlärningsmodeller (ML) använder ofta märkta exempel, som vanligtvis representeras i datorn genom intrinsiska egenskaper som färgen eller formen på ett objekt. Detta möjliggör för datorn att bilda allmänna regler som relaterar egenskaperna till märkningarna.

Professor Ross King är från Cambridges avdelning för kemiteknik och bioteknik, och han ledde forskningen.

“Det är som att undervisa ett barn att identifiera olika djur: det här är en kanin, det här är en åsna och så vidare”, sa King. “Om du lär en maskinlärningsalgoritm vad en kanin ser ut som, kommer den att kunna avgöra om ett djur är eller inte är en kanin. Detta är det sätt som de flesta maskinlärningsmetoder fungerar – de hanterar problem ett i taget.”

Mänskligt lärande fungerar annorlunda. Vi blir bättre på att lära oss på grund av våra tidigare lärandeupplevelser. Vi hanterar inte ett problem i taget.

King är också en medlem av The Alan Turing Institute.

“För att utveckla TML tillämpade vi detta tillvägagångssätt på maskinlärning och utvecklade ett system som lär sig information från tidigare problem det har stött på för att bättre lära sig nya problem”, sa King. “Där en typisk ML-modell måste börja från scratch när den lär sig att identifiera en ny typ av djur – säg en kattunge – kan TML använda likheten med befintliga djur: kattungar är söta som kaniner, men har inte långa öron som kaniner och åsnor. Detta gör TML till en mycket kraftfullare tillvägagångssätt för maskinlärning.”

Testning av metoden

Forskarna testade metoden och bevisade dess effektivitet på tusentals problem som hämtades från vetenskap och teknik. Enligt teamet är det särskilt lovande inom området läkemedelsutveckling, eftersom det kan påskynda processen genom att kontrollera vad andra maskinlärningsmodeller säger om vissa molekyler.

Medan typiska maskinlärningsmodeller söker efter läkemedelsmolekyler av en specifik form, använder den nya TML-ansatsen sambandet mellan läkemedlen och andra läkemedelsutvecklingsproblem.

“Jag blev förvånad över hur bra det fungerar – bättre än allt annat vi känner till för läkemedelsutveckling”, sa King. “Det är bättre på att välja läkemedel än vad människor är – och utan den bästa vetenskapen, kommer vi inte att få de bästa resultaten.