Методы машинного обучения для решения задач, связанных с малыми объемами данных в молекулярной науке

Малые объемы данных часто используются в научных и инженерных исследованиях вследствие различных ограничений, включая временные и финансовые затраты, этические соображения, требования к конфиденциальности и безопасности, а также технические ограничения при получении данных. Однако в течение последнего десятилетия основное внимание уделялось большим данным, тогда как малые объемы данных и связанные с ними проблемы получали мало внимания, несмотря на то что в исследованиях машинного обучения (ML) и глубокого обучения (DL) эти проблемы имеют более серьезный технический характер. В целом проблемы, связанные с малыми объемами данных, часто усугубляются такими факторами, как разнообразие данных, импутация, шум, дисбаланс и высокая размерность. К счастью, современная эпоха больших данных характеризуется технологическими прорывами в области машинного обучения, глубокого обучения и искусственного интеллекта (AI), которые обеспечивают проведение научных исследований на основе данных; кроме того, многие передовые технологии ML и DL, разработанные для работы с большими данными, непреднамеренно предложили решения для проблем, связанных с малыми объемами данных. В результате за последнее десятилетие был достигнут значительный прогресс в применении ML и DL к задачам, связанным с малыми объемами данных. В этом обзоре обобщаются и анализируются несколько новых потенциальных решений таких задач в молекулярной науке, включая химические и биологические науки. Рассматриваются как базовые алгоритмы машинного обучения, такие как линейная регрессия, логистическая регрессия (LR), метод k ближайших соседей (KNN), метод опорных векторов (SVM), ядерное обучение (KL), случайный лес (RF) и деревья градиентного бустинга (GBT), так и более сложные методы, включая искусственные нейронные сети (ANN), сверточные нейронные сети (CNN), U-Net, графовые нейронные сети (GNN), генеративно-состязательные сети (GAN), сети с долгой краткосрочной памятью (LSTM), автокодировщики, трансформеры, перенос обучения, активное обучение, графовое полуобучение, сочетание глубокого обучения с традиционным машинным обучением и дополнение данных на основе физических моделей. Также кратко обсуждаются последние достижения в этих методах. В заключение обзора рассматриваются перспективные направления решения задач, связанных с малыми объемами данных, в молекулярной науке.