Jag tror att en av de mest lovande aspekterna av AI för läkemedelsupptäckt är fördelen med multimodalitet och förmågan att bygga modeller för många olika uppgifter. I sin essä från 2012 där han beskrev Erooms lag (läkemedelsupptäcktens exponentiellt minskande FoU-effektivitet) var en av Jack Scannells "diagnoser" för problemet "grundforskning–råstyrka"-bias. Vi har en tendens att överskatta effekten av att skala upp upptäcktstekniker i ett tidigt skede. Ofta har dessa analyser låg "prediktiv validitet" för klinisk framgång. Ett sätt som AI-modeller hjälper till att lösa detta problem är att de kan införliva mer translationellt relevanta förutsägelser i de allra tidigaste stadierna av upptäckten. Jag tror att detta är det geniala i Brandon och Alex vision på Axiom. Genom att minska kostnaden, tiden och friktionen i samband med toxicitetstestning kan den dras mycket tidigare i upptäcktsprocessen – så snart du har en molekyl. Detta är en av de mest radikala avvikelserna inom molekylär maskininlärning i förhållande till tidiga beräkningskemiska insatser. Ett stort antal olika identifieringskriterier kan redovisas i en enda framåtpassning.