Penso che uno degli aspetti più promettenti dell'IA per la scoperta di farmaci sia il beneficio della multi-modalità e la capacità di costruire modelli per molti compiti distinti. Nel suo saggio del 2012 che delinea la Legge di Eroom (l'efficienza R&D della scoperta di farmaci in declino esponenziale), una delle "diagnosi" di Jack Scannell per il problema era il bias 'ricerca di base–forza bruta'. Tendiamo a sovrastimare l'impatto della scalabilità delle tecnologie di scoperta nelle fasi iniziali. Spesso, questi saggi hanno una bassa "validità predittiva" del successo clinico. Un modo in cui i modelli di IA aiutano a risolvere questo problema è che possono incorporare previsioni più rilevanti per la traduzione nelle fasi più precoci della scoperta. Penso che questo sia il genio della visione di Brandon e Alex in Axiom. Riducendo i costi, il tempo e l'attrito associati ai test di tossicità, può essere portato molto prima nel processo di scoperta—non appena hai una molecola. Questa è una delle più radicali deviazioni dell'apprendimento automatico molecolare rispetto ai primi sforzi di chimica computazionale. Un gran numero di diversi criteri di scoperta può essere considerato in un'unica passata in avanti.