Los algoritmos artificialmente inteligentes pueden aprender a identificar información increíblemente sutil, permitiéndoles distinguir entre personas en fotos o para examinar imágenes médicas y un médico. Pero en la mayoría de los casos, su capacidad para realizar tales hazañas depende de un entrenamiento que involucra de miles a billonesde puntos de datos. Esto significa que la inteligencia artificial no funciona tan bien en situaciones en las que hay muy poca información, como el desarrollo de fármacos.
Vijay Pande, profesor de química en la Universidad de Stanford, y sus estudiantes pensaron que un tipo bastante nuevo de aprendizaje profundo, llamado aprendizaje de una sola vez, que requiere solo un pequeño número de puntos de datos podría ser una solución a ese problema de pocos datos.
"Estamos tratando de usar el aprendizaje automático, especialmente el aprendizaje profundo, para la etapa inicial del diseño de medicamentos", dijo Pande. "El problema es que, una vez que tenga miles de ejemplos en el diseño de medicamentos, probablemente ya tenga un medicamento exitoso"
El grupo admitió que la idea de aplicar el aprendizaje de una sola vez a los problemas de diseño de drogas era descabellada; los datos probablemente eran demasiado limitados. Sin embargo, habían tenido éxito en el pasado con métodos de aprendizaje automático que requerían solo cientos de puntos de datos, ytenían datos disponibles para probar el enfoque de una sola vez. Parecía que valía la pena intentarlo.
Para su sorpresa, sus resultados, publicados el 3 de abril en Ciencia Central de ACS , demuestre que los métodos de aprendizaje únicos tienen potencial como una herramienta útil para el desarrollo de fármacos y otras áreas de investigación química.
pasando de imágenes a moléculas
Otros investigadores han aplicado con éxito el aprendizaje de una sola vez al reconocimiento de imágenes y la genómica, pero aplicarlo a problemas relevantes para el desarrollo de fármacos es un poco diferente. Mientras que los píxeles y las bases son tipos de datos bastante naturales para alimentar un algoritmo, propiedades de pequeñoslas moléculas no lo son
Para hacer que la información molecular sea más digerible, los investigadores primero representaron cada molécula en términos de las conexiones entre los átomos lo que un matemático llamaría un gráfico. Este paso destacó las propiedades intrínsecas de la sustancia química en una forma que un algoritmo podría procesar.
Con estas representaciones gráficas, el grupo entrenó un algoritmo en dos conjuntos de datos diferentes, uno con información sobre la toxicidad de diferentes químicos y otro que detallaba los efectos secundarios de los medicamentos aprobados. Desde el primer conjunto de datos, entrenaron el algoritmo en seis químicos yhizo que hiciera predicciones sobre la toxicidad de los otros tres. Usando el segundo conjunto de datos, lo entrenaron para asociar medicamentos con efectos secundarios en 21 tareas, probándolo en seis más.
En ambos casos, el algoritmo pudo predecir mejor la toxicidad o los efectos secundarios de lo que hubiera sido posible por casualidad.
"Trabajamos en algunos algoritmos prototipo y descubrimos que, dados algunos puntos de datos, podían hacer predicciones que eran bastante precisas", dijo Bharath Ramsundar, un estudiante graduado en el laboratorio de Pande y coautor principal deel estudio.
Sin embargo, Ramsundar advirtió que esta no es una técnica "mágica". Se basó en varios avances recientes en un estilo particular de aprendizaje de una sola vez y funciona confiando en la cercanía de diferentes moléculas, como lo indica indirectamentesu fórmula. Por ejemplo, cuando los investigadores entrenaron su algoritmo en los datos de toxicidad y lo probaron en los datos de efectos secundarios, el algoritmo colapsó por completo.
Ayuda de un experimentalista
Las personas preocupadas por la IA que toma trabajos de humanos no tienen nada que temer de este trabajo. Los investigadores consideran esto como una base para una herramienta potencial para los químicos que se encuentran en una etapa temprana de su investigación e intentan elegir qué molécula perseguir de un conjunto de candidatos prometedores.
"En este momento, las personas hacen este tipo de elección por presentimiento", dijo Ramsundar. "Esto podría ser un buen complemento para eso: la ayuda de un experimentalista".
Más allá de dar una idea del diseño de medicamentos, esta herramienta sería ampliamente aplicable a la química molecular. Ya, el laboratorio de Pande está probando estos métodos en diferentes composiciones químicas para células solares. También han abierto todo el código que usaron para el experimentofuente, disponible como parte de la biblioteca DeepChem.
"Este documento es la primera vez que se aplica una sola vez a este espacio y es emocionante ver que el campo del aprendizaje automático se mueve tan rápido", dijo Pande. "Este no es el final de este viaje, es elcomenzando."
Fuente de la historia :
Materiales proporcionado por Universidad de Stanford . Original escrito por Taylor Kubota. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :