Я думаю, що одним із найперспективніших аспектів штучного інтелекту для відкриття ліків є перевага мультимодальності та можливість будувати моделі для багатьох різних завдань. У своєму есе 2012 року, в якому він описав закон Ерума (експоненціально знижується ефективність досліджень і розробок у відкритті ліків), одним із «діагнозів» Джека Сканнелла для цієї проблеми було упередження «базове дослідження – груба сила». Ми маємо тенденцію переоцінювати вплив масштабування технологій відкриття на ранніх стадіях. Часто ці аналізи мають низьку «прогностичну валідність» клінічного успіху. Один із способів, за допомогою якого моделі штучного інтелекту допомагають вирішити цю проблему, полягає в тому, що вони можуть включати більш трансляційно релевантні прогнози на найраніших стадіях відкриття. Я думаю, що в цьому і полягає геніальність бачення Брендона та Алекса в Axiom. Зменшуючи витрати, час і тертя, пов'язані з тестуванням на токсичність, можна витягнути його набагато раніше в процесі виявлення - як тільки у вас є молекула. Це один з найбільш радикальних відхилень молекулярного машинного навчання в порівнянні з ранніми зусиллями в обчислювальній хімії. Велика кількість різних критеріїв виявлення може бути врахована за один прохід вперед.