Nieuw machine learning model stuwt medicijnontwikkeling

Een internationaal onderzoeksteam suggereert dat een nieuwe manier van machine learning het proces van medicijnontwikkeling versnelt. Dit nieuwe machine learning model, genaamd transformational machine learning (TML), tracht het menselijk brein beter na te bootsen. Centraal staat het leren oplossen van verschillende problemen op hetzelfde moment.

De meeste vormen van machine learning hanteren gelabelde voorbeelden op basis van intrinsieke kenmerken, zoals de vorm of de kleur van een object. Het computermodel stelt vervolgens regels op, om kenmerken te relateren aan de labels. Om nieuwe geneesmiddelen te ontdekken worden algoritmen ingezet die zoeken naar moleculen met een bepaalde eigenschap, zoals de vorm. Maar hoogleraar Ross King, die het onderzoek leidde, stelt dat de standaard machine learning modellen vrij simplistisch werken.

"Het is net alsof je een kind leert om verschillende dieren te herkennen: dit is een konijn, dit is een ezel, enzovoort. Als je een algoritme voor machinaal leren leert hoe een konijn eruitziet, zal het in staat zijn om te vertellen of een dier al dan niet een konijn is. Dit is de manier waarop de meeste vormen van machine learning werken - ze behandelen problemen één voor één."

Transformational machine learning

King geeft aan dat dit ver weg staat van de manier waarop mensen nadenken, omdat we juist beter worden in het leren omdat we in het verleden andere dingen hebben geleerd. Bij transformational machine learning leert het computermodel verschillende concepten op hetzelfde moment en gebruikt ze gezamenlijk bij het oplossen van nieuwe problemen.

"Om TML te ontwikkelen hebben we deze benadering toegepast op machine learning en een systeem ontwikkeld dat informatie leert van eerdere problemen die het is tegengekomen, om zo beter nieuwe problemen te leren. Een typisch machine learning systeem moet helemaal opnieuw beginnen bij het leren identificeren van een nieuw type dier, bijvoorbeeld een kitten. Transformational machine learning maakt gebruik van de gelijkenis met bestaande dieren. Kittens zijn schattig zoals konijnen, maar hebben geen lange oren zoals konijnen en ezels. Dit maakt TML een veel krachtigere aanpak."

Medicijnontwikkeling

De onderzoekers toonden de effectiviteit van hun idee aan op duizenden problemen uit de wetenschap en techniek. Het versnellen van het ontwerpen van geneesmiddelen bleek met transformational machine learning het meest effectief. Onder meer door te controleren wat andere machine learning modellen zeggen over bepaalde moleculen. TML kijkt naar de relatie tussen een geneesmiddel en problemen bij de ontdekking van andere geneesmiddelen. Het nieuwe systeem was volgens de onderzoekers in staat om de specificiteit van het geneesmiddel, de relaties tussen geneesmiddelen en de relaties tussen doeleiwitten sneller en effectiever met elkaar te koppelen, in vergelijking met standaard machine learning modellen.

Beschikbaarheid onderzoek

Het onderzoeksteam, geleid vanuit het Britse Cambridge University, deelde de datasets, methoden en gebruikte codes met het Open Science Platform, om de reproduceerbaarheid en een breder onderzoek voor medicijnontwikkeling mogelijk te maken. Een van de onderzoekers is de Belg Joaquin Vanschoren, universitair docent Machine Learning aan de Technische Universiteit Eindhoven (TU/e). De onderzoeksresultaten zijn gepubliceerd in het wetenschappelijke tijdschrift Proceedings of the National Academy of Sciences, met als titel Transformational machine learning: Learning how to learn from many related scientific problems.