انتهت الكلمة! لقد تم إثارة أنا @packyM للمساعدة في @Atelfo @okaymaged وطاقم @Convokebio أثناء وجودي في @notboringco الكتاب الذين يستثمرون في الكتاب 🤝🧬 متحمس لهذه الرؤية.

أعتقد أن أحد أكثر الجوانب الواعدة في الذكاء الاصطناعي لاكتشاف الأدوية هو الاستفادة من تعدد الأساليب والقدرة على بناء نماذج للعديد من المهام المتميزة. في مقالته عام 2012 التي تحدد قانون إيروم (انخفاض كفاءة البحث والتطوير لاكتشاف الأدوية بشكل كبير) ، كان أحد "تشخيصات" جاك سكانيل للمشكلة هو تحيز "البحث الأساسي - القوة الغاشمة". لدينا ميل إلى المبالغة في تقدير تأثير توسيع نطاق تقنيات الاكتشاف في المراحل المبكرة. في كثير من الأحيان ، يكون لهذه المقايسات "صلاحية تنبؤية" منخفضة للنجاح السريري. تتمثل إحدى الطرق التي تساعد بها نماذج الذكاء الاصطناعي في حل هذه المشكلة في أنها يمكن أن تدمج المزيد من التنبؤات ذات الصلة من الناحية الانتقالية في المراحل الأولى من الاكتشاف. أعتقد أن هذه هي عبقرية رؤية براندون وأليكس في أكسيوم. من خلال تقليل التكلفة والوقت والاحتكاك المرتبط باختبار السمية ، يمكن سحبها في وقت مبكر جدا من عملية الاكتشاف - بمجرد أن يكون لديك جزيء. هذه واحدة من أكثر المغادرات جذرية للتعلم الآلي الجزيئي بالنسبة لجهود الكيمياء الحاسوبية المبكرة. يمكن حساب عدد كبير من معايير الاكتشاف المختلفة في تمريرة أمامية واحدة.

ما الذي يتطلبه الكمبيوتر ليتعلم قواعد إقران قاعدة الحمض النووي الريبي؟ يقوم الناس بتدريب نماذج لغوية كبيرة للتنبؤ ببنية الحمض النووي الريبي. تحتوي بعض هذه النماذج على مئات الملايين من المعلمات. كانت النتيجة المبكرة المثيرة هي أن هذه النماذج تتعلم قواعد اقتران قاعدة Watson-Crick-Franklin مباشرة من البيانات. قررت مجموعة بحثية في جامعة هارفارد معرفة أصغر نموذج ممكن يمكن أن يحقق هذه النتيجة. قاموا بتدريب نموذج احتمالي صغير مع 21 معلمة فقط باستخدام الهبوط المتدرج. مع ما لا يقل عن 50 تسلسلا من الحمض النووي الريبي - مع عدم وجود هياكل مقابلة - ستظهر قواعد الاقتران الأساسي بعد بضع فترات تدريب فقط. لذا كانت الإجابة على سؤالهم الأصلي هي أن الأمر يتطلب "أقل بكثير مما تعتقد" لتعلم هذا النوع من النماذج. لا أعتقد أن هذا يعني أن جهود التدريب واسعة النطاق غبية أو مضللة بالضرورة. لكن هذه النتيجة تشير إلى أن هناك الكثير من الكفاءة والأداء الذي لا يزال من الممكن استبعاده من ابتكار الهندسة المعمارية. هناك الكثير من البنية الأساسية للغة علم الأحياء.

إنه لأمر رائع أن يكون لديك كلمة من سلسلة تاهو أ. @nalidoust و @iamjohnnyyu هما الثنائي المؤسس الفني للرئيس التنفيذي / CSO القاتل. @genophoria و @kevansf كلاهما علماء رائعان. إنه فريق الأحلام. إن حجم الطموح لملاحقة 1 * مليار * خلية عبر مجموعة واسعة من خلفيات المرضى يحد من السخيف. لكنهم يبنون البنية التحتية لجعلها حقيقة واقعة. والرؤية التجارية مكثفة بنفس القدر. لا أطيق الانتظار حتى تتم مشاركة المزيد من قصة تاهو قريبا. إنه لشرف كبير أن أشارك مع هذا الفريق في Amplify.

في علم الأحياء ، تعمل قوانين التحجيم ... ... حتى لا يفعلوا. للتنبؤ باللياقة البدنية ، يزداد أداء نموذج لغة البروتين مع حجم النموذج حتى يستقر ثم يتحلل. مع انخفاض فقدان التدريب (NLL) ، تبدأ النماذج في التنبؤ باحتمالات تسلسل أعلى وأقل ارتباطا باللياقة الأساسية. مثال 10,001 لماذا يتطلب الذكاء الاصطناعي لعلم الأحياء دراسة متأنية للتوزيعات الأساسية وأهداف التدريب وعشرات التفاصيل الأخرى. التقاطع غني ولكنه يتطلب عملا دقيقا عبر كلا التخصصين.

بعد عدة أشهر من الهبوط ، نحن في Decade ننمو! نحن نوظف خبير كيمياء حيوية للبروتين لمساعدتنا على تحسين علاج السرطان بشكل جذري. إذا كنت تحب أن تكون مبكرا وتحدث تأثيرا ، فنحن مهتمون بالاستماع إليك! التفاصيل هنا:

متعب: أجهزة الكمبيوتر القائمة على السيليكون سلكية (حرفيا): أجهزة كمبيوتر فطرية من "Memristors المستدامة من Shiitake Mycelium للإلكترونيات الحيوية عالية التردد" الفكرة هي استخدام الإشارات الكهربائية التكيفية في شيتاكي (التي لم أكن أعرف بوجودها) كبديل للعضيات العصبية لتطبيقات الحوسبة العصبية. "تظهر النتائج التي توصلنا إليها أن أجهزة الكمبيوتر الفطرية يمكن أن توفر منصات قابلة للتطوير وصديقة للبيئة للمهام العصبية ، وسد سد الإلكترونيات الحيوية والحوسبة غير التقليدية." 100٪ واحدة من أكثر الأفكار البحثية "غير التقليدية" التي صادفتها مؤخرا ...

لا يتوقف أبدا عن تفجير ذهني أن $NVDA يستحق أكثر من * كل * أفضل 20 دواء مجتمعة. نحن فقط نخدش سطح تصميم الأدوية والتشخيص وتوزيعها بكفاءة. لم يتبق الكثير للبناء!

تحدثنا إلى @ElliotHershberg (الشريك @AmplifyPartners) حول التحديات في تكنولوجيا علوم الحياة. "كان هناك شعور عام بأنه يمكنك إحراز قدر كبير من التقدم مع البيانات الجديدة والتكنولوجيا الجديدة في علوم الحياة." "اتضح في الواقع أنه من الصعب حقا الحصول على علاج للسرطان مرة واحدة." "هناك اختراقات مثل جائزة نوبل للأفافولد. الذكاء الاصطناعي له تأثيرات حقيقية على مشاكل البيولوجيا الصعبة ". "تسلسل الحمض النووي يتناقص في التكلفة بشكل أسرع من قانون مور." "بدأ الناس في توسيع نطاق النماذج ، وأصبح الأمر مثيرا للإعجاب بسرعة."

ماذا لو نجحت لقاحات الإنفلونزا حقا؟ وأعني * حقا * نجح - لدرجة أن علاقة البشرية المتوطنة بالإنفلونزا أصبحت تاريخا ، وليس تحديا صحيا عالميا مستمرا. ماذا لو تمكنا من التخفيف من مسببات الأمراض سريعة التحور؟ هذا هو السبب في أن جيك جلانفيل أسس Centivax. تتمثل مهمة حياته في "إنهاء ما بدأه إدوارد جينر" من خلال تطوير لقاحات عالمية تسرع انتقال البشرية إلى مستقبل ما بعد مسببات الأمراض. جيك هو بالضبط نوع المؤسس الفني الذي نتطلع إلى الشراكة معه في Amplify. كان رائدا مبكرا في تصميم الأجسام المضادة الحاسوبية في شركة فايزر ، قبل أن يصبح من أوائل طلاب الدراسات العليا في بيولوجيا النظم الحاسوبية في جامعة ستانفورد مع مارك ديفيس. لقد قام بتجميع مدى الحياة من العمل في فكرة مميزة - ومتناقضة إلى حد ما - لتطوير لقاحات عالمية. والفريق الذي جمعه غير عادي بنفس القدر. على سبيل المثال ، يعد مدير التسويق في Centivax ، جيري سادوف ، أحد أكثر مطوري اللقاحات إنتاجا على قيد الحياة. إنه لشرف لنا حقا أن نشارك في نقابة السلسلة A ل Centivax. على مدار العقد الماضي ، قام جيك والفريق بتجميع حزمة بيانات ما قبل السريرية الشاملة لبرنامج الإنفلونزا الرئيسي. التجربة الوحيدة المتبقية هي معرفة ما إذا كان هذا يترجم إلى البشر ، وهو ما تكفله هذه الجولة. إذا نجحت هذه التكنولوجيا ، فسيكون التأثير هائلا. وستتطلب قصة مثابرة هذا الفريق كتابا خاصا به في شريعة التكنولوجيا الحيوية.