Contrastive Learning Improves Generalization on M2OR Olfactory Binding Dataset

Imagine um mundo onde um sensor pudesse cheirar uma doença antes do aparecimento dos sintomas, detectar uma ameaça química oculta no ar ou identificar um novo candidato a fármaco apenas pelo seu odor. Esta é a promessa dos biossensores olfativos, dispositivos que mimetizam a forma como os seres vivos cheiram. Na natureza, os animais utilizam proteínas especializadas chamadas recetores para captar moléculas voláteis que flutuam no ar, transformando um sinal químico num impulso nervoso que o céreio compreende. Os cientistas tentam há muito tempo construir versões artificiais deste sistema, mas enfrentam um problema persistente: simplesmente não temos dados suficientes sobre como estas proteínas específicas interagem com o vasto universo dos cheiros químicos. Sem exemplos suficientes do mundo real para estudar, os programas de computador concebidos para prever estas interações falham frequentemente quando confrontados com novos produtos químicos desconhecidos. Eles memorizam padrões dos seus dados de treino em vez de aprenderem as regras subjacentes da química, deixando os engenheiros incapazes de confiar neles para aplicações no mundo real.

Uma equipa de investigadores decidiu resolver isto testando como ensinar os computadores a generalizar, ou a aprender lições que se aplicam a novas situações, utilizando duas grandes coleções de dados sobre como proteínas e produtos químicos se ligam entre si. Focaram-se num desafio específico: garantir que um modelo de computador não dependa do reconhecimento de um produto químico ou proteína que já tenha visto durante o treino. Para o fazer, testaram diferentes formas de dividir os seus dados. Numa abordagem padrão, um computador poderia ser testado num produto químico sobre o qual foi treinado, o que proporciona uma falsa sensação de sucesso. Os investigadores, em vez disso, retiveram grupos inteiros de produtos químicos ou proteínas únicos, forçando o modelo a prever como reagiria a algo que nunca tinha encontrado antes. Descobriram que, sem ajuda especial, os modelos tinham dificuldades significativas quando confrontados com estes novos grupos desconhecidos. O desempenho do computador caiu drasticamente porque este tinha dependido da memorização de detalhes específicos em vez de compreender os princípios mais amplos de como estas moléculas se encaixam umas nas outras.

O avanço surgiu quando os investigadores introduziram uma técnica chamada aprendizagem contrastiva. Em vez de apenas dizer ao computador se um par de moléculas se liga ou não, ensinaram-no a reconhecer relações. O computador recebia pares de moléculas que partilhavam partes comuns e era instruído a tratá-las como semelhantes, enquanto pares sem nada em comum eram tratados como diferentes. Este método funcionou como um guia, forçando o computador a construir um mapa mental do mundo químico baseado em características partilhadas, em vez de apenas memorizar listas. Quando os investigadores aplicaram esta abordagem, os modelos tornaram-se notavelmente robustos. Mantiveram um elevado nível de precisão, atingindo uma pontuação de 0,88, independentemente de serem testados em dados aleatórios ou em novos produtos químicos e proteínas que nunca tinham visto antes. Isto sugere que, ao focar-se nos blocos de construção partilhados das moléculas, o computador aprendeu uma forma mais fundamental de prever interações.

O estudo também revelou que a forma como os dados são preparados importa mais do que o tipo específico de modelo de computador utilizado. Quando os dados foram divididos de uma forma que permitia ao computador ver partes familiares tanto na fase de treino como na de teste, mesmo modelos simples apresentaram um bom desempenho. No entanto, assim que os investigadores removeram essa rede de segurança, apenas os modelos treinados com o método contrastivo conseguiram lidar com a dificuldade. Esta descoberta destaca uma falha oculta em muitos estudos anteriores: as pontuações de desempenho elevadas eram frequentemente inflacionadas porque os dados de teste continham elementos que o computador já tinha visto. Os investigadores argumentam que, para que estas previsões sejam verdadeiramente úteis, devemos avaliá-las em dados que forcem o computador a generalizar. Ao utilizar a aprendizagem contrastiva, demonstraram que é possível construir um sistema que compreenda a química do olfato o suficiente para prever como novas proteínas e produtos químicos irão interagir, abrindo caminho para biossensores mais fiáveis na medicina e na segurança.