Un recente articolo pubblicato sui Proceedings of the National Academy of Sciences (PNAS) propone un nuovo approccio all’utilizzo di algoritmi di machine learning (ML) in grado di “imparare come imparare” e che potrebbero trovare applicazione nelle attività di drug discovery e drug design di nuovi trattamenti farmacologici.
Il metodo denominato “transformational machine learning” (TML) è stato messo a punto da un team internazionale di ricercatori provenienti da Regno Unito, Svezia, Olanda e India, che hanno cercato di replicare le modalità di apprendimento tipiche della mente umana. Il sistema di machine learning così creato impara dalle informazioni relative ai problemi già incontrati in passato. “Dove un tipico sistema di ML deve iniziare dall’inizio a imparare come identificare un nuovo tipo di animale – ad esempio un gattino – il TML può utilizzare la similitudine rispetto agli animali esistenti: i gattini sono carini come i conigli, ma non hanno orecchie lunghe come i conigli o gli asini. Ciò fa del TML un approccio molto più potente del machine learning”, ha spiegato Ross King del Dipartimento di Ingegneria Chimica e Biotecnologie dell’Università di Cambridge.
I sistemi tradizionali, invece, imparano applicando un’etichetta specifica ad ogni oggetto, che può così essere riconosciuto ad ogni nuova interazione. Secondo gli autori dello studio, che hanno testato l’approccio su alcune migliaia di problemi in ambito scientifico e ingegneristico, esso potrebbe risultare particolarmente utile nel campo del drug discovery, che ne risulterebbe molto velocizzato. Invece di andare alla ricerca di molecole con una forma ben precisa, come negli approcci ML tradizionali, l’algoritmo di TML farebbe piuttosto ricorso alle connessioni tra una certa molecola e altri problemi nel campo della drug discovery.
