นักวิจัยได้พัฒนาแนวทางใหม่ในการเรียนรู้ด้วยเครื่องที่ ‘เรียนรู้วิธีเรียนรู้’ และมีประสิทธิภาพเหนือกว่าวิธีการเรียนรู้ด้วยเครื่องในปัจจุบันสำหรับการออกแบบยา ซึ่งสามารถเร่งการค้นหาการรักษาโรคใหม่ ๆ ได้
วิธีการนี้เรียกว่า Transformal Machine Learning (TML) ได้รับการพัฒนาโดยทีมงานจากสหราชอาณาจักร สวีเดน อินเดีย และเนเธอร์แลนด์ เรียนรู้จากปัญหาหลายอย่างและปรับปรุงประสิทธิภาพในขณะที่เรียนรู้
TML สามารถเร่งการระบุและการผลิตยาใหม่โดยการปรับปรุงระบบการเรียนรู้ของเครื่องที่ใช้ในการระบุ รายงานผลการวิจัยใน Proceedings of the National Academy of Sciences
แมชชีนเลิร์นนิง (ML) ส่วนใหญ่ใช้ตัวอย่างที่มีป้ายกำกับ และตัวอย่างเหล่านี้มักจะแสดงในคอมพิวเตอร์โดยใช้คุณสมบัติที่แท้จริง เช่น สีหรือรูปร่างของวัตถุ จากนั้นคอมพิวเตอร์จะสร้างกฎทั่วไปที่เกี่ยวข้องกับคุณลักษณะต่างๆ กับป้ายกำกับ
ศาสตราจารย์รอส คิง จากภาควิชาวิศวกรรมเคมีและเทคโนโลยีชีวภาพของเคมบริดจ์ ซึ่งเป็นผู้นำการวิจัยกล่าวว่า “มันเหมือนกับการสอนให้เด็กรู้จักสัตว์ชนิดต่างๆ: นี่คือกระต่าย นี่คือลา และอื่นๆ” “ถ้าคุณสอนอัลกอริธึมแมชชีนเลิร์นนิงว่ากระต่ายมีหน้าตาเป็นอย่างไร มันจะสามารถบอกได้ว่าสัตว์เป็นหรือไม่ใช่กระต่าย นี่เป็นวิธีการทำงานของแมชชีนเลิร์นนิงส่วนใหญ่ โดยจะจัดการกับปัญหาทีละอย่าง”
อย่างไรก็ตาม นี่ไม่ใช่วิธีที่การเรียนรู้ของมนุษย์ทำงาน: แทนที่จะจัดการกับปัญหาทีละประเด็น เราจะเรียนรู้ได้ดีขึ้นเพราะเราได้เรียนรู้สิ่งต่างๆ ในอดีต
“ในการพัฒนา TML เราใช้แนวทางนี้ในการเรียนรู้ของเครื่อง และพัฒนาระบบที่เรียนรู้ข้อมูลจากปัญหาก่อนหน้านี้ที่เคยพบเพื่อเรียนรู้ปัญหาใหม่ได้ดีขึ้น” คิงซึ่งเป็นเพื่อนของสถาบัน Alan Turing กล่าว “เมื่อระบบ ML ทั่วไปต้องเริ่มต้นจากศูนย์เมื่อเรียนรู้ที่จะระบุสัตว์ชนิดใหม่ เช่น ลูกแมว TML สามารถใช้ความคล้ายคลึงกับสัตว์ที่มีอยู่ได้: ลูกแมวน่ารักเหมือนกระต่าย แต่ไม่มีหูยาวเหมือนกระต่ายและ ลา สิ่งนี้ทำให้ TML เป็นวิธีที่มีประสิทธิภาพมากขึ้นในการเรียนรู้ของเครื่อง”
นักวิจัยได้แสดงให้เห็นถึงประสิทธิผลของแนวคิดที่มีต่อปัญหานับพันจากทั่วทั้งวิทยาศาสตร์และวิศวกรรม พวกเขาบอกว่ามันแสดงให้เห็นสัญญาโดยเฉพาะในด้านการค้นพบยา ซึ่งวิธีการนี้เร่งกระบวนการโดยการตรวจสอบสิ่งที่แบบจำลอง ML อื่น ๆ พูดเกี่ยวกับโมเลกุลเฉพาะ วิธีการ ML ทั่วไปจะค้นหาโมเลกุลของยาที่มีรูปร่างเฉพาะ ตัวอย่างเช่น TML ใช้การเชื่อมต่อของยากับปัญหาการค้นคว้ายาอื่น ๆ แทน
“ฉันรู้สึกประหลาดใจว่ามันใช้งานได้ดี ดีกว่าสิ่งอื่นใดที่เรารู้จักในการออกแบบยา” คิงกล่าว “การเลือกใช้ยาดีกว่ามนุษย์ และหากไม่มีวิทยาศาสตร์ที่ดีที่สุด เราก็ไม่ได้ผลลัพธ์ที่ดีที่สุด”
อ้างอิง:
Ivan Olier et al. ‘การเรียนรู้ของเครื่องเพื่อการเปลี่ยนแปลง: การเรียนรู้วิธีเรียนรู้จากปัญหาทางวิทยาศาสตร์ที่เกี่ยวข้องมากมาย’ การดำเนินการของ National Academy of Sciences (2021) ดอย: 10.1073/pnas.2108013118
