Credit:pix abay/CC0 Public Domain研究人员开发了一种新的机器学习方法，该方法“学会如何学习”，并在药物设计方面超越了当前的机器学习方法，这反过来可能会加速寻找新的疾病治疗方法。这种方法被称为转换机器学习(TML)，是由来自英国、瑞典、印度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快新药的识别和生产。研究结果发表在《国家科学院院刊》上。
大多数类型的机器学习(ML)使用带标签的示例，并且这些示例几乎总是在计算机中使用固有特征来表示，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。
领导这项研究的剑桥大学化学工程和生物技术系的罗斯·金教授说:“这有点像教孩子识别不同的动物:这是兔子，这是驴等等。“如果你教机器学习算法一只兔子长什么样，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——它一次处理一个问题。”
然而，这不是人类学习的工作方式:我们不是一次处理一个问题，而是因为我们在过去学到了东西，所以我们在学习上变得更好。
“为了发展TML，我们将这种方法应用于机器学习，并开发了一个系统，从以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。“当一个典型的ML系统在学习识别一种新的动物类型时必须从头开始——比如一只小猫——TML可以利用与现有动物的相似性:小猫像兔子一样可爱，但没有像兔子和驴一样长耳朵。这使得TML成为一种更强大的机器学习方法。”
研究人员展示了他们的想法在科学和工程领域成千上万个问题上的有效性。他们说，这在药物发现领域显示出特别的前景，这种方法通过检查其他ML模型对特定分子的描述来加速这一过程。例如，典型的ML方法将搜索特定形状的药物分子。相反，TML利用这些药物与其他药物发现问题的联系。
“我很惊讶它的效果有多好——比我们所知道的任何药物设计都好，”金说。“它比人类更擅长选择药物——没有最好的科学，我们就不会得到最好的结果。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
