Новий підхід до машинного навчання може прискорити розробку ліків

Нова технологія машинного навчання, розроблена командою дослідників з Університету Кембриджа, може прискорити пошук нових методів лікування захворювань. Цей підхід «навчиться навчати» і перевершує сучасні методи машинного навчання для розробки ліків. 

Нові дослідження були опубліковані в Proceedings of the National Academy of Sciences.

Трансформаційне машинне навчання (TML) було розроблено дослідниками з Великої Британії, Швеції, Індії та Нідерландів. 

TML vs. Традиційне МЛ 

Метод TML покращує результати під час навчання і може навчатися на декількох задачах. Він також може прискорити ідентифікацію та виробництво нових ліків, покращуючи системи машинного навчання, які використовуються для їх ідентифікації.

Поточні моделі машинного навчання (ML) часто використовують позначені приклади, які зазвичай представлені в комп’ютері через внутрішні властивості, такі як колір або форма об’єкта. Це дозволяє комп’ютеру сформувати загальні правила, які пов’язують властивості з позначками. 

Професор Росс Кінг з кафедри хімічної інженерії та біотехнології Кембриджського університету очолював дослідження.

«Це схоже на те, коли ви вчите дитину розпізнавати різні тварини: це кролик, це осел і так далі», – сказав Кінг. «Якщо ви вчите алгоритм машинного навчання, яким виглядає кролик, він зможе сказати, чи є тварина кроликом чи ні. Це той спосіб, яким працює більшість машинного навчання – воно займається задачами одну за одною».

Людське навчання працює інакше. Ми покращуємо свої навички навчання завдяки попередньому досвіду навчання. Ми не займаємося однією задачею за раз. 

Кінг також є членом Інституту Алана Тюрінга. 

«Для розробки TML ми застосували цей підхід до машинного навчання і створили систему, яка вчиться інформацію з попередніх задач, з якими вона зустрічалася, щоб краще навчатися новим задачам», – сказав Кінг. «Якщо типова система машинного навчання повинна починати з нуля, коли вчиться розпізнавати новий тип тварини – скажімо, кітенка – TML може використовувати схожість з існуючими тваринами: кітенки милі, як кролики, але не мають довгих вух, як кролики та ослики. Це робить TML набагато потужнішим підходом до машинного навчання».

Тестування методу

Дослідники протестували метод і довели його ефективність на тисячах задач, взятих із науки та інженерії. За словами команди, він особливо перспективний у галузі відкриття ліків, оскільки може прискорити процес, перевіряючи, що інші моделі машинного навчання говорять про певні молекули. 

Типові моделі машинного навчання шукають молекули ліків певної форми, тоді як новий підхід TML використовує зв’язок ліків з іншими задачами відкриття ліків. 

«Я був здивований, як добре це працює – краще, ніж все, що ми знаємо для розробки ліків», – сказав Кінг. «Це краще у виборі ліків, ніж люди – і без найкращої науки ми не отримаємо найкращих результатів.