Slovo je venku! @packyM a já jsme byli nadšeni, že jsme mohli pomoci zasít @Atelfo, @okaymaged a posádku @Convokebio, když jsem byl v @notboringco Spisovatelé investují do spisovatelů 🤝🧬 Jsem nadšený z této vize.

Myslím, že jedním z nejslibnějších aspektů umělé inteligence pro objevování léků je výhoda multimodality a schopnost vytvářet modely pro mnoho různých úkolů. Ve své eseji z roku 2012, v níž nastínil Eroomův zákon (exponenciálně klesající efektivita výzkumu a vývoje v oblasti objevování léků), byla jednou z "diagnóz" tohoto problému Jack Scannell předpojatost "základního výzkumu – hrubá síla". Máme tendenci přeceňovat dopad škálování technologií objevování v rané fázi. Tyto testy mají často nízkou "prediktivní validitu" klinického úspěchu. Jedním ze způsobů, jak modely umělé inteligence pomáhají tento problém vyřešit, je to, že mohou začlenit více translačních relevantních předpovědí do nejranějších fází objevu. Myslím, že v tom spočívá genialita vize Brandona a Alexe v Axiomu. Snížením nákladů, času a tření spojených s testováním toxicity jej lze vytáhnout mnohem dříve v procesu objevování – jakmile máte molekulu. Jedná se o jeden z nejradikálnějších odklonů od molekulárního strojového učení ve srovnání s ranými snahami výpočetní chemie. V jediném průchodu vpřed lze zohlednit velké množství různých kritérií zjišťování.

Co je potřeba k tomu, aby se počítač naučil pravidla párování bází RNA? Lidé trénují velké jazykové modely pro predikci struktury RNA. Některé z těchto modelů mají stovky milionů parametrů. Vzrušujícím počátečním výsledkem je, že tyto modely se učí pravidla párování bází Watson-Crick-Franklin přímo z dat. Výzkumná skupina na Harvardu se rozhodla zjistit, jaký nejmenší možný model by mohl dosáhnout tohoto výsledku. Trénovali malý pravděpodobnostní model s pouhými 21 parametry pomocí gradientního sestupu. S pouhými 50 sekvencemi RNA – bez odpovídajících struktur – by pravidla párování bází vyplynula již po několika epochách trénování. Odpověď na jejich původní otázku tedy zněla, že naučit se tento typ modelu trvá "mnohem méně, než si možná myslíte". Nemyslím si, že to znamená, že rozsáhlé školicí úsilí je nutně hloupé nebo zavádějící. Tento výsledek však naznačuje, že existuje spousta efektivity a výkonu, které lze stále získat z inovací architektury. Jazyk biologie má spoustu základní struktury.

Je úžasné mít slovo o Tahoe's Series A. @nalidoust a @iamjohnnyyu jsou zabijácké duo zakladatelů CEO/CSO. @genophoria a @kevansf jsou oba neuvěřitelní vědci. Je to tým snů. Rozsah ambicí jít po 1 *miliardě* buněk napříč širokou škálou zázemí pacientů hraničí s absurditou. Budují však infrastrukturu, aby se to stalo realitou. A stejně intenzivní je i komerční vize. Nemůžu se dočkat, až se brzy podělíme o další z Tahoeova příběhu. Je mi ctí spolupracovat s tímto týmem ve společnosti Amplify.

V biologii fungují zákony škálování... ... dokud to neudělají. Pro predikci zdatnosti se výkon jazykového modelu proteinu zvyšuje s velikostí modelu, dokud se neustálí a poté se nesníží. S klesající ztrátou tréninku (NLL) začínají modely předpovídat vyšší pravděpodobnost sekvence a méně korelují se základní kondicí. Příklad 10 001 toho, proč umělá inteligence pro biologii vyžaduje pečlivé zvážení základních distribucí, cílů školení a desítek dalších podrobností. Průsečík je bohatý, ale vyžaduje pečlivou práci napříč oběma disciplínami.

Po mnoha měsících hlavu dolů, my v Decade rosteme! Přijímáme proteinového biochemika, který nám pomůže radikálně zlepšit léčbu rakoviny. Pokud máte rádi brzký čas a máte vliv, máme zájem se o váš názor! Podrobnosti zde:

Unavený: Počítače na bázi křemíku Kabelové (doslova): houbové počítače Z "Udržitelné memristory z mycelia Shiitake pro vysokofrekvenční bioelektroniku" Myšlenkou je použít adaptivní elektrickou signalizaci v shiitake (o které jsem nevěděl, že existuje) jako náhradu za neuronové organoidy pro neuromorfní výpočetní aplikace. "Naše zjištění ukazují, že houbové počítače mohou poskytnout škálovatelné, ekologické platformy pro neuromorfní úkoly, které přemosťují bioelektroniku a nekonvenční výpočetní technika." 100% jeden z "nekonvenčních" výzkumných nápadů, se kterými jsem se v poslední době setkal...

Nikdy mi nepřestane vrtat hlavou, že $NVDA stojí za to víc než *všechny* z 20 nejlepších farmaceutických společností dohromady. To je jen škrábání po povrchu efektivního navrhování – a distribuce – léků a diagnostiky. Zbývá toho ještě tolik k vybudování!

Hovořili jsme s @ElliotHershberg (Partner @AmplifyPartners) o výzvách v oblasti technologií v oblasti biologických věd. "Panuje všeobecný názor, že s novými daty a novými technologiemi v biologických vědách můžete dosáhnout obrovského pokroku." "Ve skutečnosti se ukazuje, že je opravdu těžké najít lék na rakovinu jedním pokusem." "Existují průlomové objevy, jako je Nobelova cena pro Alphafold. Umělá inteligence má skutečný dopad na náročné biologické problémy." "Sekvenování DNA klesá v nákladech rychleji než Moorův zákon." "Lidé začínají zvětšovat modely a rychle to začíná být působivé."

Co kdyby vakcíny proti chřipce opravdu fungovaly? A myslím tím "opravdu" fungovalo – do té míry, že endemický vztah lidstva k chřipce se stal historií, nikoli pokračující globální zdravotní výzvou. Co kdybychom mohli zmírnit *všechny* rychle mutující patogeny? To je důvod, proč Jake Glanville založil společnost Centivax. Jeho životním posláním je "dokončit to, co Edward Jenner začal" vývojem univerzálních vakcín, které urychlí přechod lidstva k postpatogenní budoucnosti. Jake je přesně ten typ technického zakladatele, se kterým v Amplify hledáme partnera. Byl raným průkopníkem výpočetního designu protilátek ve společnosti Pfizer, než se stal jedním z prvních postgraduálních studentů počítačové a systémové biologie na Stanfordu s Markem Davisem. Svou celoživotní práci spojil do odlišné – a poněkud opačné – myšlenky vývoje univerzálních vakcín. A tým, který sestavil, je stejně mimořádný. Například marketingový ředitel společnosti Centivax, Jerry Sadoff, je jedním z nejplodnějších žijících vývojářů vakcín. Je to pro nás opravdu privilegium účastnit se syndikátu série A pro společnost Centivax. Během posledního desetiletí Jake a jeho tým sestavili komplexní předklinický datový balíček pro svůj hlavní chřipkový program. Zbývá jen zjistit, zda se to přenese na lidi, což je to, co toto kolo podepisuje. Pokud bude tato technologie úspěšná, dopad bude obrovský. A příběh vytrvalosti tohoto týmu si vyžádá vlastní knihu v biotechnologickém kánonu.