Un nuevo enfoque de aprendizaje automático desarrollado por un equipo de investigadores de la Universidad de Cambridge podría acelerar la búsqueda de nuevos tratamientos para enfermedades. El enfoque «aprende a aprender» y supera los métodos actuales de aprendizaje automático para el diseño de fármacos.
La nueva investigación fue publicada en el procedimientos de la Academia Nacional de Ciencias.
Denominado aprendizaje automático transformacional (TML), el enfoque fue desarrollado por investigadores del Reino Unido, Suecia, India y los Países Bajos.
TML frente a ML tradicional
El método TML mejora el rendimiento mientras aprende y puede aprender de múltiples problemas. También podría acelerar la identificación y producción de nuevos medicamentos al mejorar los sistemas de aprendizaje automático que se utilizan para identificarlos.
Los modelos actuales de aprendizaje automático (ML) a menudo usan ejemplos etiquetados, que generalmente se representan en la computadora a través de características intrínsecas como el color o la forma de un objeto. Esto permite que la computadora forme reglas generales que relacionen las características con las etiquetas.
El profesor Ross King es del Departamento de Ingeniería Química y Biotecnología de Cambridge y dirigió la investigación.
“Es como enseñarle a un niño a identificar diferentes animales: este es un conejo, este es un burro y así sucesivamente”, dijo King. “Si le enseñas a un algoritmo de aprendizaje automático cómo se ve un conejo, podrá decir 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”.
El aprendizaje humano funciona de manera diferente. Mejoramos en el aprendizaje debido a nuestras experiencias de aprendizaje anteriores. No nos ocupamos de un solo problema a la vez.
King también es miembro del Instituto Alan Turing.
“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 problemas nuevos”, dijo King. “Donde un sistema ML típico tiene que comenzar desde cero cuando 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”.
Probar el método
Los investigadores probaron el método y demostraron su eficacia en miles de problemas extraídos de la ciencia y la ingeniería. Según el equipo, es especialmente prometedor en el área del descubrimiento de fármacos, ya que puede acelerar el proceso al verificar lo que dicen otros modelos de aprendizaje automático sobre ciertas moléculas.
Mientras que los modelos típicos de aprendizaje automático buscan moléculas de fármacos de una forma específica, el nuevo enfoque 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 para el diseño de fármacos”, dijo King. “Es mejor elegir medicamentos que los humanos, y sin la mejor ciencia, no obtendremos los mejores resultados.