Ich denke, einer der vielversprechendsten Aspekte von KI in der Arzneimittelentdeckung ist der Vorteil der Multimodalität und die Fähigkeit, Modelle für viele verschiedene Aufgaben zu erstellen. In seinem Essay von 2012, in dem er Eroom's Law (die exponentiell abnehmende F&E-Effizienz in der Arzneimittelentdeckung) umreißt, war eine von Jack Scannells "Diagnosen" für das Problem die 'Basisforschung–Brutkraft'-Voreingenommenheit. Wir neigen dazu, die Auswirkungen der Skalierung von Technologien zur frühen Entdeckung zu überschätzen. Oft haben diese Tests eine niedrige "prädiktive Validität" für den klinischen Erfolg. Eine Möglichkeit, wie KI-Modelle dieses Problem lösen, besteht darin, dass sie relevantere Vorhersagen in die frühesten Phasen der Entdeckung einbeziehen können. Ich denke, das ist das Genie von Brandons und Alex' Vision bei Axiom. Durch die Reduzierung der Kosten, der Zeit und der Reibung, die mit der Toxizitätstestung verbunden sind, kann dies viel früher im Entdeckungsprozess erfolgen – sobald man ein Molekül hat. Dies ist einer der radikalsten Abweichungen des molekularen maschinellen Lernens im Vergleich zu frühen Bemühungen in der computergestützten Chemie. Eine große Anzahl verschiedener Entdeckungs-Kriterien kann in einem einzigen Vorwärtsdurchlauf berücksichtigt werden.