創薬における AI の最も有望な側面の 1 つは、マルチモダリティの利点と、多くの異なるタスクのモデルを構築できることだと思います。 2012年のエッセイで、エルームの法則(創薬による研究開発効率の指数関数的な低下)を概説したジャック・スキャネルは、この問題に対する「診断」の1つが「基礎研究-ブルートフォース」バイアスでした。 私たちは、初期段階の発見テクノロジーを拡張することの影響を過大評価する傾向があります。多くの場合、これらのアッセイは臨床的成功の「予測妥当性」が低いです。 AI モデルがこの問題の解決に役立つ 1 つの方法は、発見の初期段階で、より翻訳的に関連性の高い予測を組み込むことができることです。 これが、Axiom におけるブランドンとアレックスのビジョンの天才だと思います。毒性試験に関連するコスト、時間、摩擦を削減することで、分子が手に入ったらすぐに、発見プロセスのはるかに早い段階で毒性試験を引き出すことができます。 これは、初期の計算化学の取り組みと比較して、分子機械学習の最も根本的な出発点の 1 つです。 多数の異なる検出基準を 1 回のフォワード パスで考慮できます。