导读 来自斯科尔科沃科技研究所、维也纳大学和天狼星科技大学的一组研究人员在计算机辅助分子设计杂志上发表了一项研究，该研究提出了利用多任务
来自斯科尔科沃科技研究所、维也纳大学和天狼星科技大学的一组研究人员在计算机辅助分子设计杂志上发表了一项研究，该研究提出了利用多任务来加强药物发现过程的指南学习技巧。
在大学里，学生经常修读相关课程，例如物理和数学，从而更好地理解这两门学科。同样，对于那些已经有语言经验的人来说，学习一门新语言会更容易，尤其是同源语言。同样的原则也适用于机器学习，如果神经网络同时学习多个“主题”，它可以更好地理解它们。考虑到神经网络是预测新化合物生物学特性的最佳方法之一，问题就出现了：我们如何帮助神经网络同时学习和预测化合物与多个生物目标相关的特性?
研究人员为此分析了三个数据集：一个包含分子抗病毒活性信息的数据集和两个包含分子对我们体内各种蛋白质影响的信息的数据集。数据集在每种蛋白质或病毒的信息完整性方面各不相同。在研究过程中，科学家们发现向数据集添加数据是提高预测准确性的有效方法。此外，他们证明原始数据集提供的信息越多，这种改进就越明显。作为这项工作的结果，研究团队准备了一套使用数据丰富技术来提高预测质量和稳定性的建议，以及客观评估所取得的改进的方法。
“多任务学习被广泛应用于许多科学领域。不出所料，它越来越多地被应用于开发新药。然而，这种方法的潜力尚未得到充分探索，给我们带来了许多未解决的任务，”该论文的主要作者研究，Skoltech博士候选人EkaterinaSosnina，笔记。“我们受到使用多任务学习开发新候选药物的可能性的启发，并寻找改进这种方法的方法。根据我们的建议，药物发现研究人员将提高他们模型的预测准确性并加速新候选药物的识别。“