Une approche «transformationnelle» de l’apprentissage automatique pourrait accélérer la recherche de nouveaux traitements contre les maladies


  • FrançaisFrançais



  • Les chercheurs ont développé une nouvelle approche de l’apprentissage automatique qui « apprend à apprendre » et surpasse les méthodes d’apprentissage automatique actuelles pour la conception de médicaments, ce qui pourrait à son tour accélérer la recherche de nouveaux traitements contre les maladies.

    La méthode, appelée apprentissage automatique transformationnel (TML), a été développée par une équipe du Royaume-Uni, de Suède, d’Inde et des Pays-Bas. Il apprend de multiples problèmes et améliore les performances pendant qu’il apprend.

    Le TML pourrait accélérer l’identification et la production de nouveaux médicaments en améliorant les systèmes d’apprentissage automatique qui sont utilisés pour les identifier. Les résultats sont rapportés dans le Actes de l’Académie nationale des sciences.

    La plupart des types d’apprentissage automatique (ML) utilisent des exemples étiquetés, et ces exemples sont presque toujours représentés dans l’ordinateur à l’aide de caractéristiques intrinsèques, telles que la couleur ou la forme d’un objet. L’ordinateur forme alors des règles générales qui relient les caractéristiques aux étiquettes.

    « C’est un peu comme apprendre à un enfant à identifier différents animaux : ceci est un lapin, ceci est un âne, etc. », a déclaré le professeur Ross King du département de génie chimique et de biotechnologie de Cambridge, qui a dirigé la recherche. « Si vous enseignez à un algorithme d’apprentissage automatique à quoi ressemble un lapin, il sera capable de dire si un animal est ou non un lapin. C’est ainsi que fonctionne la plupart des apprentissages automatiques : il traite les problèmes un à la fois. . »

    Cependant, ce n’est pas ainsi que fonctionne l’apprentissage humain : au lieu de traiter un seul problème à la fois, nous apprenons mieux parce que nous avons appris des choses dans le passé.

    « Pour développer TML, nous avons appliqué cette approche à l’apprentissage automatique et développé un système qui apprend les informations des problèmes précédents rencontrés afin de mieux apprendre de nouveaux problèmes », a déclaré King, qui est également membre de l’Institut Alan Turing. « Là où un système ML typique doit repartir de zéro pour apprendre à identifier un nouveau type d’animal – disons un chaton – TML peut utiliser la similitude avec les animaux existants : les chatons sont mignons comme des lapins, mais n’ont pas de longues oreilles comme des lapins et des ânes. Cela fait de TML une approche beaucoup plus puissante de l’apprentissage automatique. »

    Les chercheurs ont démontré l’efficacité de leur idée sur des milliers de problèmes liés à la science et à l’ingénierie. Ils disent que cela est particulièrement prometteur dans le domaine de la découverte de médicaments, où cette approche accélère le processus en vérifiant ce que disent les autres modèles ML à propos d’une molécule particulière. Une approche ML typique recherchera des molécules de médicament d’une forme particulière, par exemple. TML utilise plutôt la connexion des médicaments à d’autres problèmes de découverte de médicaments.

    « J’ai été surpris de voir à quel point cela fonctionne – mieux que tout ce que nous connaissons pour la conception de médicaments », a déclaré King. « C’est mieux que les humains de choisir des médicaments – et sans la meilleure science, nous n’obtiendrons pas les meilleurs résultats. »

    Source de l’histoire :

    Matériaux fourni par Université de Cambridge. Le texte original de cette histoire est sous licence Licence Creative Commons. Remarque : Le contenu peut être modifié pour le style et la longueur.

    N'oubliez pas de voter pour cet article !
    1 étoile2 étoiles3 étoiles4 étoiles5 étoiles (No Ratings Yet)
    Loading...
    mm

    La Rédaction

    L'équipe rédactionnelle

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée.