Creo que uno de los aspectos más prometedores de la IA para el descubrimiento de fármacos es el beneficio de la multimodalidad y la capacidad de construir modelos para muchas tareas distintas. En su ensayo de 2012 que describe la Ley de Eroom (la eficiencia de I+D en el descubrimiento de fármacos que disminuye exponencialmente), uno de los "diagnósticos" de Jack Scannell para el problema fue el sesgo de 'investigación básica–fuerza bruta'. Tendemos a sobreestimar el impacto de escalar tecnologías de descubrimiento en etapas tempranas. A menudo, estos ensayos tienen una "validez predictiva" baja de éxito clínico. Una forma en que los modelos de IA ayudan a resolver este problema es que pueden incorporar predicciones más relevantes para la traducción en las etapas más tempranas del descubrimiento. Creo que esta es la genialidad de la visión de Brandon y Alex en Axiom. Al reducir el costo, el tiempo y la fricción asociados con las pruebas de toxicidad, se puede realizar mucho antes en el proceso de descubrimiento, tan pronto como tengas una molécula. Esta es una de las desviaciones más radicales del aprendizaje automático molecular en relación con los esfuerzos tempranos de química computacional. Un gran número de diferentes criterios de descubrimiento se pueden tener en cuenta en una sola pasada hacia adelante.