机器学习的转型方法可以加速寻找新的疾病治疗方法

研究人员开发了一种新的机器学习方法，可以“学习如何学习”，并且在药物设计方面的表现优于当前的机器学习方法，这反过来又可以加速寻找新的疾病治疗方法。

这种称为转换机器学习 (TML) 的方法是由来自英国、瑞典、和荷兰的团队开发的。它从多个问题中学习，并在学习的同时提高性能。

TML 可以通过改进用于识别新药的机器学习系统来加速新药的识别和生产。结果报告在美国国家科学院院刊上。

大多数类型的机器学习 (ML) 使用标记示例，并且这些示例几乎总是使用内在特征在计算机中表示，例如对象的颜色或形状。然后计算机形成将特征与标签相关联的一般规则。

“这有点像教孩子识别不同的动物：这是一只兔子，这是一头驴等等，”领导这项研究的剑桥化学工程和生物技术系的罗斯金教授说。“如果你教机器学习算法兔子长什么样，它就能分辨出一只动物是不是兔子。这是大多数机器学习的工作方式——一次处理一个问题。”

然而，这不是人类学习的工作方式：我们不是一次只处理一个问题，而是因为我们在过去学到了东西，所以更擅长学习。

“为了开发 TML，我们将这种方法应用于机器学习，并开发了一个系统，可以从之前遇到的问题中学习信息，以便更好地学习新问题，”金说，他也是艾伦图灵研究所的研究员。“典型的 ML 系统在学习识别一种新型动物时必须从头开始——比如小猫——TML 可以利用与现有动物的相似性：小猫像兔子一样可爱，但不像兔子那样长耳朵，驴。这使得 TML 成为一种更强大的机器学习方法。”

研究人员证明了他们的想法对来自科学和工程领域的数千个问题的有效性。他们说它在药物发现领域显示出特别的希望，这种方法通过检查其他 ML 模型对特定分子的看法来加速这一过程。例如，典型的机器学习方法将搜索特定形状的药物分子。相反，TML 使用药物与其他药物发现问题的联系。

标签：