Acho que um dos aspectos mais promissores da IA para a descoberta de medicamentos é o benefício da multimodalidade e a capacidade de construir modelos para muitas tarefas distintas. Em seu ensaio de 2012 descrevendo a Lei de Eroom (a eficiência de P&D em declínio exponencial da descoberta de medicamentos), um dos "diagnósticos" de Jack Scannell para o problema foi o viés da "pesquisa básica – força bruta". Temos a tendência de superestimar o impacto do dimensionamento de tecnologias de descoberta em estágio inicial. Muitas vezes, esses ensaios têm baixa "validade preditiva" de sucesso clínico. Uma maneira pela qual os modelos de IA ajudam a resolver esse problema é que eles podem incorporar previsões mais relevantes para a tradução nos estágios iniciais da descoberta. Acho que essa é a genialidade da visão de Brandon e Alex na Axiom. Ao reduzir o custo, o tempo e o atrito associados aos testes de toxicidade, ele pode ser retirado muito mais cedo no processo de descoberta - assim que você tiver uma molécula. Esta é uma das partidas mais radicais do aprendizado de máquina molecular em relação aos primeiros esforços de química computacional. Um grande número de critérios de descoberta diferentes pode ser contabilizado em uma única passagem para frente.