Jeg tror et av de mest lovende aspektene ved AI for legemiddeloppdagelse er fordelen med multimodalitet og muligheten til å bygge modeller for mange forskjellige oppgaver. I sitt essay fra 2012 som skisserte Erooms lov (legemiddeloppdagelsens eksponentielt synkende FoU-effektivitet), var en av Jack Scannells «diagnoser» for problemet «grunnleggende forskning – brute force»-skjevheten. Vi har en tendens til å overvurdere effekten av skalering av tidlige oppdagelsesteknologier. Ofte har disse analysene lav "prediktiv validitet" av klinisk suksess. En måte AI-modeller bidrar til å løse dette problemet på, er at de kan inkorporere mer translasjonsrelevante prediksjoner i de aller tidligste stadiene av oppdagelsen. Jeg tror dette er det geniale i Brandon og Alex sin visjon hos Axiom. Ved å redusere kostnadene, tiden og friksjonen forbundet med toksisitetstesting, kan den trekkes mye tidligere i oppdagelsesprosessen – så snart du har et molekyl. Dette er en av de mest radikale avvikene fra molekylær maskinlæring i forhold til tidlig beregningskjemiinnsats. Et stort antall forskjellige oppdagelseskriterier kan gjøres rede for i en enkelt foroverpassering.