El método, llamado aprendizaje automático transformacional (TML), fue desarrollado por un equipo del Reino Unido, Suecia, India y Holanda. Aprende de múltiples problemas y mejora el desempeño mientras aprende.
TML podría acelerar la identificación y producción de nuevos medicamentos mejorando los sistemas de aprendizaje automático que se utilizan para identificarlos. Los resultados se informan en las Actas de la Academia Nacional de Ciencias .
La mayoría de los tipos de aprendizaje automático (ML) utilizan ejemplos etiquetados, y estos ejemplos casi siempre se representan en la computadora mediante características intrínsecas, como el color o la forma de un objeto. Luego, la computadora forma reglas generales que relacionan las características con las etiquetas.
“Es como enseñar a un niño a identificar diferentes animales: este es un conejo, este es un burro, etc.”, dijo el profesor Ross King del Departamento de Ingeniería Química y Biotecnología de Cambridge, quien dirigió la investigación. “Si le enseñas a un algoritmo de aprendizaje automático cómo se ve un conejo, podrá saber si un animal es o no un conejo. Esta es la forma en que funciona la mayoría del aprendizaje automático: se ocupa de los problemas de uno en uno “.
Sin embargo, esta no es la forma en que funciona el aprendizaje humano: en lugar de abordar un solo tema a la vez, mejoramos en el aprendizaje porque hemos aprendido cosas en el pasado.
“Para desarrollar TML, aplicamos este enfoque al aprendizaje automático y desarrollamos un sistema que aprende información de problemas anteriores que ha encontrado para aprender mejor los problemas nuevos”, dijo King, quien también es miembro del Instituto Alan Turing. “Donde un sistema de aprendizaje automático típico tiene que comenzar desde cero cuando se aprende a identificar un nuevo tipo de animal, digamos un gatito, TML puede usar la similitud con los animales existentes: los gatitos son lindos como los conejos, pero no tienen orejas largas como los conejos y burros. Esto hace que TML sea un enfoque mucho más poderoso para el aprendizaje automático “.
Los investigadores demostraron la efectividad de su idea en miles de problemas de toda la ciencia y la ingeniería. Dicen que muestra una promesa particular en el área del descubrimiento de fármacos, donde este enfoque acelera el proceso al verificar lo que dicen otros modelos de ML sobre una molécula en particular. Un enfoque típico de ML buscará moléculas de fármaco de una forma particular, por ejemplo. En cambio, TML utiliza la conexión de los fármacos con otros problemas de descubrimiento de fármacos.
“Me sorprendió lo bien que funciona, mejor que cualquier otra cosa que conozcamos sobre el diseño de fármacos”, dijo King. “Es mejor elegir medicamentos que los humanos, y sin la mejor ciencia, no obtendremos los mejores resultados”.
Referencia:
Ivan Olier et al. ‘Aprendizaje automático transformacional: aprender a aprender de muchos problemas científicos relacionados’. Actas de la Academia Nacional de Ciencias (2021). DOI: 10.1073 / pnas.2108013118