Förderung der Wirkstoffforschung durch Multitasking-Lerntechniken

Ein Forscherteam des Skolkovo Institute of Science and Technology, der Universität Wien und der Sirius University of Science and Technology hat eine Studie in veröffentlicht Zeitschrift für computergestütztes molekulares Design die Richtlinien zur Verbesserung des Arzneimittelforschungsprozesses durch den Einsatz von Multitasking-Lerntechniken enthält.

An Universitäten belegen die Studierenden oft verwandte Kurse wie Physik und Mathematik, was zu einem besseren Verständnis beider Fächer führt. Ebenso ist das Erlernen einer neuen Sprache für diejenigen einfacher, die bereits Erfahrung mit Sprachen haben, insbesondere mit verwandten. Das gleiche Prinzip gilt für maschinelles Lernen, wo ein neuronales Netzwerk mehrere „Fächer“ besser verstehen kann, wenn es sie gleichzeitig lernt. In Anbetracht dessen, dass neuronale Netzwerke einer der besten Ansätze zur Vorhersage der biologischen Eigenschaften neuer chemischer Verbindungen sind, stellt sich die Frage: Wie können wir ein neuronales Netzwerk dabei unterstützen, gleichzeitig die Eigenschaften chemischer Verbindungen in Bezug auf mehrere biologische Ziele zu lernen und vorherzusagen?

Die Forscher analysierten zu diesem Zweck drei Datensätze: einen Datensatz mit Informationen über die antivirale Aktivität von Molekülen und zwei Datensätze mit Informationen über die Wirkung von Molekülen auf verschiedene Proteine ​​in unserem Körper. Die Datensätze variierten in der Vollständigkeit der Informationen zu jedem Protein oder Virus. Während der Studie entdeckten die Wissenschaftler, dass das Hinzufügen von Daten zum Datensatz eine effektive Methode zur Verbesserung der Vorhersagegenauigkeit ist. Darüber hinaus zeigten sie, dass diese Verbesserung umso auffälliger ist, je aussagekräftiger der ursprüngliche Datensatz ist. Als Ergebnis dieser Arbeit erstellte das Forschungsteam eine Reihe von Empfehlungen für den Einsatz von Datenanreicherungstechnologie zur Verbesserung der Qualität und Stabilität von Vorhersagen sowie Methoden zur objektiven Bewertung der erzielten Verbesserung.

„Multitask-Lernen ist in vielen wissenschaftlichen Bereichen weit verbreitet. Es überrascht nicht, dass es zunehmend zur Entwicklung neuer Medikamente eingesetzt wird. Das Potenzial dieses Ansatzes ist jedoch noch nicht vollständig ausgeschöpft und stellt uns vor zahlreiche ungelöste Aufgaben“, so der Erstautor der Studie, Skoltech Ph.D. Kandidatin Ekaterina Sosnina, Notizen. „Wir waren von der Möglichkeit des Multitasking-Lernens zur Entwicklung neuer Arzneimittelkandidaten inspiriert und suchten nach Möglichkeiten, diesen Ansatz zu verbessern. Gemäß unseren Empfehlungen werden Forscher in der Arzneimittelforschung die Vorhersagegenauigkeit ihrer Modelle verbessern und die Identifizierung neuer Arzneimittelkandidaten beschleunigen. “