Uważam, że jednym z najbardziej obiecujących aspektów AI w odkrywaniu leków jest korzyść z wielomodalności i możliwość budowania modeli dla wielu odrębnych zadań. W swoim eseju z 2012 roku, w którym przedstawia Prawo Erooma (eksponencjalnie malejąca efektywność badań i rozwoju w odkrywaniu leków), jednym z "diagnoz" Jacka Scannella dla tego problemu był bias 'badania podstawowe – siła brutalna'. Mamy tendencję do przeszacowywania wpływu skalowania technologii odkrywania na wczesnym etapie. Często te testy mają niską "predykcyjną ważność" sukcesu klinicznego. Jednym ze sposobów, w jaki modele AI pomagają rozwiązać ten problem, jest to, że mogą włączyć bardziej translacyjnie istotne prognozy już na najwcześniejszych etapach odkrywania. Uważam, że to jest geniusz wizji Brandona i Alexa w Axiom. Poprzez zmniejszenie kosztów, czasu i tarcia związanych z testowaniem toksyczności, można je wprowadzić znacznie wcześniej w procesie odkrywania – tak szybko, jak tylko masz cząsteczkę. To jest jedno z najbardziej radykalnych odejść uczenia maszynowego molekularnego w porównaniu do wczesnych wysiłków w chemii obliczeniowej. Duża liczba różnych kryteriów odkrywania może być uwzględniona w jednym przejściu do przodu.