Je pense que l'un des aspects les plus prometteurs de l'IA pour la découverte de médicaments est le bénéfice de la multimodalité et la capacité de construire des modèles pour de nombreuses tâches distinctes. Dans son essai de 2012 décrivant la loi d'Eroom (l'efficacité de la R&D dans la découverte de médicaments qui diminue de manière exponentielle), l'un des "diagnostics" de Jack Scannell pour le problème était le biais de la recherche fondamentale–force brute. Nous avons tendance à surestimer l'impact de l'échelle des technologies de découverte en phase précoce. Souvent, ces tests ont une "validité prédictive" faible du succès clinique. Une des manières dont les modèles d'IA aident à résoudre ce problème est qu'ils peuvent incorporer des prédictions plus pertinentes sur le plan translationnel dès les toutes premières étapes de la découverte. Je pense que c'est le génie de la vision de Brandon et Alex chez Axiom. En réduisant le coût, le temps et les frictions associés aux tests de toxicité, cela peut être intégré beaucoup plus tôt dans le processus de découverte—dès que vous avez une molécule. C'est l'un des départs les plus radicaux de l'apprentissage machine moléculaire par rapport aux efforts précoces en chimie computationnelle. Un grand nombre de critères de découverte différents peuvent être pris en compte dans un seul passage en avant.