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 investigación y desarrollo exponencialmente decreciente del descubrimiento de fármacos), uno de los "diagnósticos" de Jack Scannell para el problema fue el sesgo de "investigación básica: fuerza bruta". Tenemos una tendencia a sobreestimar el impacto de escalar las tecnologías de descubrimiento en etapa inicial. A menudo, estos ensayos tienen una baja "validez predictiva" de éxito clínico. Una forma en que los modelos de IA ayudan a resolver este problema es que pueden incorporar predicciones más relevantes desde el punto de vista de la traducción en las primeras etapas de 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 extraer mucho antes en el proceso de descubrimiento, tan pronto como tenga una molécula. Esta es una de las desviaciones más radicales del aprendizaje automático molecular en relación con los primeros esfuerzos de química computacional. Se puede tener en cuenta una gran cantidad de criterios de descubrimiento diferentes en una sola pasada hacia adelante.