機器學習的轉(zhuǎn)型方法可以加速尋找新的疾病治療方法

研究人員開發(fā)了一種新的機器學習方法，可以“學習如何學習”，并且在藥物設計方面的表現(xiàn)優(yōu)于當前的機器學習方法，這反過來又可以加速尋找新的疾病治療方法。

這種稱為轉(zhuǎn)換機器學習 (TML) 的方法是由來自英國、瑞典、和荷蘭的團隊開發(fā)的。它從多個問題中學習，并在學習的同時提高性能。

TML 可以通過改進用于識別新藥的機器學習系統(tǒng)來加速新藥的識別和生產(chǎn)。結(jié)果報告在美國國家科學院院刊上。

大多數(shù)類型的機器學習 (ML) 使用標記示例，并且這些示例幾乎總是使用內(nèi)在特征在計算機中表示，例如對象的顏色或形狀。然后計算機形成將特征與標簽相關(guān)聯(lián)的一般規(guī)則。

“這有點像教孩子識別不同的動物：這是一只兔子，這是一頭驢等等，”領(lǐng)導這項研究的劍橋化學工程和生物技術(shù)系的羅斯金教授說。“如果你教機器學習算法兔子長什么樣，它就能分辨出一只動物是不是兔子。這是大多數(shù)機器學習的工作方式——一次處理一個問題。”

然而，這不是人類學習的工作方式：我們不是一次只處理一個問題，而是因為我們在過去學到了東西，所以更擅長學習。

“為了開發(fā) TML，我們將這種方法應用于機器學習，并開發(fā)了一個系統(tǒng)，可以從之前遇到的問題中學習信息，以便更好地學習新問題，”金說，他也是艾倫圖靈研究所的研究員。“典型的 ML 系統(tǒng)在學習識別一種新型動物時必須從頭開始——比如小貓——TML 可以利用與現(xiàn)有動物的相似性：小貓像兔子一樣可愛，但不像兔子那樣長耳朵，驢。這使得 TML 成為一種更強大的機器學習方法。”

研究人員證明了他們的想法對來自科學和工程領(lǐng)域的數(shù)千個問題的有效性。他們說它在藥物發(fā)現(xiàn)領(lǐng)域顯示出特別的希望，這種方法通過檢查其他 ML 模型對特定分子的看法來加速這一過程。例如，典型的機器學習方法將搜索特定形狀的藥物分子。相反，TML 使用藥物與其他藥物發(fā)現(xiàn)問題的聯(lián)系。

標簽：