Yeni Makine Öğrenimi Yaklaşımı İlaç Tasarımı Hızlandırabilir

Cambridge Üniversitesi’nden bir araştırma ekibi tarafından geliştirilen yeni bir makine öğrenimi yaklaşımı, yeni hastalık tedavileri arayışını hızlandırabilir. Bu yaklaşım “nasıl öğrenileceğini öğrenir” ve ilaç tasarımı için mevcut makine öğrenimi yöntemlerini geride bırakır.

Yeni araştırma Ulusal Bilimler Akademisi Bildirileri‘nde yayımlandı.

Dönüştürme makine öğrenimi (TML) olarak adlandırılan bu yaklaşım, İngiltere, İsveç, Hindistan ve Hollanda’dan araştırmacılar tarafından geliştirildi.

TML vs. Geleneksel ML

TML yöntemi performansını öğrenirken geliştirir ve birden fazla problemten öğrenilebilir. Ayrıca, ilaçların belirlenmesinde kullanılan makine öğrenimi sistemlerini iyileştirerek yeni ilaçların tanımlanmasını ve üretimini hızlandırabilir.

Mevcut makine öğrenimi (ML) modelleri genellikle etiketli örnekler kullanır, bunlar genellikle bir nesnenin rengi veya şekli gibi içsel özellikler aracılığıyla bilgisayarda temsil edilir. Bu, bilgisayarın özelliklerle etiketler arasında genel kurallar oluşturmasını sağlar.

Profesör Ross King, Cambridge’in Kimya Mühendisliği ve Biyoteknoloji Bölümü’nden ve bu araştırmayı yönetti.

“Bu, bir çocuğa farklı hayvanları tanıtmak gibi bir şey,” dedi King. “Eğer bir makine öğrenimi algoritmasına bir tavşanın nasıl göründüğünü öğretirseniz, bir hayvanın tavşan olup olmadığını söyleyebilir. Bu, çoğu makine öğreniminin çalıştığı şekilde – bir problemi bir seferde ele alır.”

İnsan öğrenimi farklı çalışır. Önceki öğrenme deneyimlerimiz sayesinde öğrenme yeteneğimiz gelişir. Bir problemi bir seferde ele almazız.

King, aynı zamanda The Alan Turing Enstitüsü’nün bir üyesidir.

“TML’yi geliştirmek için, bu yaklaşımı makine öğrenimine uyguladık ve önceki problemlerden edindiği bilgileri kullanarak yeni problemleri daha iyi öğrenen bir sistem geliştirdik,” dedi King. “Tipik bir ML sistemi, yeni bir hayvan türünü tanımlamayı öğrenirken – örneğin bir kedi yavrusu – sıfırdan başlamalıdır. TML, var olan hayvanlarla benzerliği kullanabilir: kedi yavruları tavşanlara benzer, ancak tavşanların ve eşeklerin uzun kulakları yoktur. Bu, TML’yi çok daha güçlü bir makine öğrenimi yaklaşımı haline getirir.”

Yöntemin Test Edilmesi

Araştırmacılar, bu yöntemi test ettiler ve bilim ve mühendislikten alınan binlerce problemde etkinliğini kanıtladılar. Ekibe göre, özellikle ilaç keşfi alanında çok umut verici, çünkü belirli moleküller hakkında diğer makine öğrenimi modellerinin neler dediğini kontrol ederek süreci hızlandırabilir.

Tipik makine öğrenimi modelleri, belirli bir şekle sahip ilaç moleküllerini ararken, yeni TML yaklaşımı, ilaçların diğer ilaç keşfi problemlerine olan bağlantısını kullanır.

“İyi çalıştığına şaşırdım – ilaç tasarımı için bildiğimiz her şeyden daha iyi,” dedi King. “İnsanlardan daha iyi ilaç seçer – ve en iyi bilim olmadan, en iyi sonuçları elde edemeyiz.”