Contrastive Learning Improves Generalization on M2OR Olfactory Binding Dataset

Immaginate un mondo in cui un sensore possa fiutare una malattia prima che compaiano i sintomi, rilevare una minaccia chimica nascosta nell'aria o identificare un nuovo candidato farmaceutico solo attraverso il suo odore. Questa è la promessa dei biosensori basati sull'olfatto, dispositivi che imitano il modo in cui gli esseri viventi percepiscono gli odori. In natura, gli animali utilizzano proteine specializzate chiamate recettori per catturare le molecole volatili che fluttuano nell'aria, trasformando un segnale chimico in un impulso nervoso che il cervello può comprendere. Gli scienziati cercano da tempo di costruire versioni artificiali di questo sistema, ma si scontrano con un problema ostinato: semplicemente non disponiamo di abbastanza dati su come queste specifiche proteine interagiscano con il vasto universo degli odori chimici. Senza abbastanza esempi reali da studiare, i programmi informatici progettati per prevedere queste interazioni spesso falliscono quando si trovano di fronte a sostanze chimiche nuove e sconosciute. Essi memorizzano schemi dai dati di addestramento piuttosto che apprendere le regole sottostanti della chimica, rendendo gli ingegneri incapaci di fidarsi di essi per applicazioni nel mondo reale.

Un team di ricercatori ha deciso di risolvere questo problema testando come insegnare ai computer a generalizzare, ovvero a imparare lezioni che siano applicabili a nuove situazioni, utilizzando due grandi collezioni di dati su come proteine e sostanze chimiche si leghino tra loro. Si sono concentrati su una sfida specifica: garantire che un modello informatico non si affidi al riconoscimento di una sostanza chimica o di una proteina che ha già visto durante l'addestramento. Per fare ciò, hanno provato diversi modi per suddividere i loro dati. In un approccio standard, un computer potrebbe essere testato su una sostanza chimica su cui è stato addestrato, il che fornisce un falso senso di successo. I ricercatori, invece, hanno tenuto da parte interi gruppi di sostanze chimiche o proteine uniche, costringendo il modello a prevedere come reagirebbe a qualcosa che non aveva mai incontrato prima. Hanno scoperto che, senza un aiuto speciale, i modelli faticavano significamente quando si trovavano di fronte a questi nuovi gruppi sconosciuti. Le prestazioni del computer calavano drasticamente perché esso aveva fatto affidamento sulla memorizzazione di dettagli specifici piuttosto che sulla comprensione dei principi più ampi del modo in cui queste molecole si incastrano tra loro.

La svolta è arrivata quando i ricercatori hanno introdotto una tecnica chiamata apprendimento contrastivo (contrastive learning). Invece di limitarsi a dire al computer se una coppia di molecole si lega o meno, gli hanno insegnato a riconoscere le relazioni. Al computer venivano mostrate coppie di molecole che condividevano parti comuni e gli veniva detto di trattarle come simili, mentre le coppie che non avevano nulla in comune venivano trattate come diverse. Questo metodo ha agito come una guida, costringendo il computer a costruire una mappa mentale del mondo chimico basata su caratteristiche condivise anziché limitarsi a memorizzare elenchi. Quando i ricercatori hanno applicato questo approccio, i modelli sono diventati straordinariamente robusti. Mantenevano un alto livello di accuratezza, raggiungendo un punteggio di 0,88, indipendentemente dal fatto che venissero testati su dati casuali o su sostanze chimiche e proteine completamente nuove che non avevano mai incontrato prima. Ciò suggerisce che, concentrandosi sui blocchi costruttivi condivisi delle molecole, il computer abbia appreso un modo più fondamentale di prevedere le interazioni.

Lo studio ha anche rivelato che il modo in cui i dati vengono preparati conta più del tipo specifico di modello informatico utilizzato. Quando i dati venivano suddivisi in modo tale da permettere al computer di vedere parti familiari sia nella fase di addestramento che in quella di test, anche i modelli semplici ottenevano buone prestazioni. Tuttavia, una volta che i ricercatori hanno rimosso questa rete di sicurezza, solo i modelli addestrati con il metodo contrastivo riuscivano a gestire la difficoltà. Questa scoperta evidenzia un difetto nascosto in molti studi precedenti: i punteggi di prestazione elevati erano spesso gonfiati perché i dati di test contenevano elementi che il computer aveva già visto. I ricercatori sostengono che, affinché queste previsioni siano davvero utili, dobbiamo valutarle su dati che costringano il computer a generalizzare. Utilizzando l'apprendimento contrastivo, hanno dimostrato che è possibile costruire un sistema capace di comprendere la chimica dell'olfatto abbastanza bene da prevedere come nuove proteine e sostanze chimiche interagiranno, aprendo la strada a biosensori più affidabili nella medicina e nella sicurezza.