杜克大學(xué)的生物醫(yī)學(xué)工程師展示了一種新方法，可以在僅使用一小部分可用數(shù)據(jù)的情況下顯著提高機(jī)器學(xué)習(xí)模型搜索新分子療法的有效性。通過使用主動(dòng)識別數(shù)據(jù)集中差距的算法，研究人員在某些情況下可以將其準(zhǔn)確性提高一倍以上。
(相關(guān)資料圖)
這種新方法可以使科學(xué)家更容易地識別和分類具有可用于開發(fā)新候選藥物和其他材料的特征的分子。
這項(xiàng)工作發(fā)表在英國皇家化學(xué)學(xué)會(huì)6月23日出版的《DigitalDiscovery》雜志上。
機(jī)器學(xué)習(xí)算法越來越多地用于識別和預(yù)測小分子(例如候選藥物和其他化合物)的特性。盡管計(jì)算能力和機(jī)器學(xué)習(xí)算法都取得了顯著進(jìn)步，但它們的能力目前受到用于訓(xùn)練它們的現(xiàn)有數(shù)據(jù)集的限制，而這些數(shù)據(jù)集遠(yuǎn)非完美。
主要問題之一涉及數(shù)據(jù)偏差。當(dāng)有大量數(shù)據(jù)點(diǎn)展示一種特性遠(yuǎn)遠(yuǎn)多于另一種特性時(shí)，就會(huì)發(fā)生這種情況，例如分子抑制特定蛋白質(zhì)的潛在能力或其結(jié)構(gòu)特征。
杜克大學(xué)生物醫(yī)學(xué)工程助理教授DanielReker解釋道：“這就好像你訓(xùn)練了一種算法來區(qū)分狗和貓的圖片，但你給了它10億張狗的照片來學(xué)習(xí)，而只有100張貓的照片。”。“該算法將非常擅長識別狗，以至于一切都開始看起來像狗，并且它會(huì)忘記世界上的其他一切。”
對于藥物發(fā)現(xiàn)和開發(fā)來說，這是一個(gè)特別成問題的問題，科學(xué)家們經(jīng)常處理的數(shù)據(jù)集顯示，99%以上的測試化合物“無效”，并且只有一小部分分子被標(biāo)記為可能有用。
為了解決這個(gè)問題，研究人員使用了一種稱為數(shù)據(jù)子采樣的過程，他們的算法從一個(gè)小的但(希望)具有代表性的數(shù)據(jù)子集中學(xué)習(xí)。雖然此過程可以通過為模型提供相同數(shù)量的示例來學(xué)習(xí)來消除偏差，但它也可能會(huì)刪除關(guān)鍵數(shù)據(jù)點(diǎn)并對算法的整體準(zhǔn)確性產(chǎn)生負(fù)面影響。為了彌補(bǔ)這一缺陷，研究人員開發(fā)了數(shù)百種二次采樣技術(shù)來限制丟失的信息量。
但雷克和他的合作者想要探索一種稱為主動(dòng)機(jī)器學(xué)習(xí)的技術(shù)是否可以解決這個(gè)長期存在的問題。
“通過主動(dòng)機(jī)器學(xué)習(xí)，算法本質(zhì)上能夠在感到困惑或感覺到數(shù)據(jù)中存在差距時(shí)提出問題或請求更多信息，而不是被動(dòng)地篩選數(shù)據(jù)，”雷克說。“這使得主動(dòng)學(xué)習(xí)模型在預(yù)測表現(xiàn)方面非常有效。”
通常，Reker和其他研究人員應(yīng)用主動(dòng)學(xué)習(xí)算法來生成新數(shù)據(jù)，例如識別新藥物，但Reker和他的團(tuán)隊(duì)希望探索如果在現(xiàn)有數(shù)據(jù)集上釋放該算法會(huì)發(fā)生什么。雖然主動(dòng)機(jī)器學(xué)習(xí)的二次采樣應(yīng)用已經(jīng)在其他研究中進(jìn)行了探索，但Reker和他的團(tuán)隊(duì)是第一個(gè)在分子生物學(xué)和藥物開發(fā)中測試該算法的人。
為了測試主動(dòng)二次采樣方法的效率，研究小組編制了具有不同特征的分子數(shù)據(jù)集，包括可以穿過血腦屏障的分子、可以抑制與阿爾茨海默病相關(guān)的蛋白質(zhì)的分子，以及已被證明可以抑制阿爾茨海默病的化合物。HIV復(fù)制。然后，他們針對從完整數(shù)據(jù)集學(xué)習(xí)的模型和16種最先進(jìn)的子采樣策略測試了主動(dòng)學(xué)習(xí)算法。
該團(tuán)隊(duì)表明，主動(dòng)二次采樣能夠比每種標(biāo)準(zhǔn)二次采樣策略更準(zhǔn)確地識別和預(yù)測分子特征，最重要的是，在某些情況下，比在完整數(shù)據(jù)集上訓(xùn)練的算法效率高出139%。他們的模型還能夠準(zhǔn)確地調(diào)整數(shù)據(jù)中的錯(cuò)誤，這表明它對于低質(zhì)量的數(shù)據(jù)集特別有用。
但最令人驚訝的是，該團(tuán)隊(duì)發(fā)現(xiàn)理想的使用數(shù)據(jù)量遠(yuǎn)低于預(yù)期，在某些情況下僅需要可用數(shù)據(jù)的10%。
“主動(dòng)二次采樣模型會(huì)在某個(gè)時(shí)刻收集它需要的所有信息，如果添加更多數(shù)據(jù)，就會(huì)對性能產(chǎn)生不利影響，”Reker解釋道。“這個(gè)問題對我們來說特別有趣，因?yàn)樗凳敬嬖谝粋€(gè)拐點(diǎn)，即使在子樣本中，更多信息也不再有幫助。”
雖然雷克和他的團(tuán)隊(duì)希望在未來的工作中研究這個(gè)拐點(diǎn)，但他們還計(jì)劃使用這種新方法來識別潛在治療靶點(diǎn)的新分子。由于主動(dòng)機(jī)器學(xué)習(xí)在許多不同的研究領(lǐng)域變得越來越流行，該團(tuán)隊(duì)樂觀地認(rèn)為他們的工作將幫助科學(xué)家更好地理解這種算法及其對數(shù)據(jù)錯(cuò)誤的魯棒性。
“這種方法不僅可以提高機(jī)器學(xué)習(xí)性能，而且還可以減少數(shù)據(jù)存儲(chǔ)需求和成本，因?yàn)樗褂玫氖歉?xì)的數(shù)據(jù)集，”雷克說。“這使得機(jī)器學(xué)習(xí)對每個(gè)人來說都更具可重復(fù)性、可訪問性和強(qiáng)大性。”
更多信息：YujingWen等人，通過自適應(yīng)子采
關(guān)鍵詞：
營業(yè)執(zhí)照公示信息