研究人员开发了一种新的机器学习方法，这种方法可以“学习如何学习”，并且在药物设计方面优于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)，是由一个来自英国、瑞典、印度和荷兰的团队开发的。它可以从多个问题中学习，并在学习的同时提高性能。
html可以通过改进用于识别新药的机器学习系统来加速新药的识别和生产。研究结果发表在《美国国家科学院院刊》上。
大多数类型的机器学习(ML)使用带标签的例子，这些例子几乎总是在计算机中使用内在特征来表示，如物体的颜色或形状。然后，计算机形成将特征与标签联系起来的一般规则。
“这有点像教一个孩子识别不同的动物:这是一只兔子，这是一只驴等等，”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。“如果你教机器学习算法兔子的样子，它就能分辨出这只动物是不是兔子。这是大多数机器学习的工作方式——一次处理一个问题。”
然而，这并不是人类学习的方式:我们不是一次只处理一个问题，而是在学习方面做得更好，因为我们在过去学过一些东西。
“为了开发html，我们将这种方法应用到机器学习中，并开发了一个系统，可以从之前遇到的问题中学习信息，以便更好地学习新问题，”同时也是阿兰·图灵研究所研究员的King说。“当学习识别一种新类型的动物时，一个典型的ML系统必须从头开始，比如小猫，html可以利用与现有动物的相似性:小猫像兔子一样可爱，但不像兔子和驴子一样有长耳朵。这使得html成为更强大的机器学习方法。”
研究人员在科学和工程领域的数千个问题上证明了他们的想法的有效性。他们说，这种方法在药物发现领域显示了特殊的前景，这种方法通过检查其他ML模型对特定分子的描述来加快过程。例如，典型的ML方法将搜索特定形状的药物分子。而html则将药物与其他药物发现问题联系起来。
“我很惊讶它的效果——比我们所知道的任何药物设计都要好，”King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。”
