Das Wort ist raus! @packyM und ich waren begeistert, @Atelfo, @okaymaged und das @Convokebio-Team zu unterstützen, während ich bei @notboringco war. Schriftsteller investieren in Schriftsteller 🤝🧬 Aufgeregt über diese Vision.

Ich denke, einer der vielversprechendsten Aspekte von KI in der Arzneimittelentdeckung ist der Vorteil der Multimodalität und die Fähigkeit, Modelle für viele verschiedene Aufgaben zu erstellen. In seinem Essay von 2012, in dem er Eroom's Law (die exponentiell abnehmende F&E-Effizienz in der Arzneimittelentdeckung) umreißt, war eine von Jack Scannells "Diagnosen" für das Problem die 'Basisforschung–Brutkraft'-Voreingenommenheit. Wir neigen dazu, die Auswirkungen der Skalierung von Technologien zur frühen Entdeckung zu überschätzen. Oft haben diese Tests eine niedrige "prädiktive Validität" für den klinischen Erfolg. Eine Möglichkeit, wie KI-Modelle dieses Problem lösen, besteht darin, dass sie relevantere Vorhersagen in die frühesten Phasen der Entdeckung einbeziehen können. Ich denke, das ist das Genie von Brandons und Alex' Vision bei Axiom. Durch die Reduzierung der Kosten, der Zeit und der Reibung, die mit der Toxizitätstestung verbunden sind, kann dies viel früher im Entdeckungsprozess erfolgen – sobald man ein Molekül hat. Dies ist einer der radikalsten Abweichungen des molekularen maschinellen Lernens im Vergleich zu frühen Bemühungen in der computergestützten Chemie. Eine große Anzahl verschiedener Entdeckungs-Kriterien kann in einem einzigen Vorwärtsdurchlauf berücksichtigt werden.

Was braucht ein Computer, um die Regeln der RNA-Basenpaarung zu lernen? Menschen trainieren große Sprachmodelle zur Vorhersage der RNA-Struktur. Einige dieser Modelle haben Hunderte von Millionen von Parametern. Ein aufregendes frühes Ergebnis war, dass diese Modelle die Regeln der Watson-Crick-Franklin-Basenpaarung direkt aus den Daten lernen. Eine Forschungsgruppe an der Harvard-Universität beschloss zu untersuchen, welches das kleinste mögliche Modell war, das dieses Ergebnis erzielen konnte. Sie trainierten ein winziges probabilistisches Modell mit nur 21 Parametern unter Verwendung von Gradientenabstieg. Mit so wenigen wie 50 RNA-Sequenzen – ohne entsprechende Strukturen – würden die Regeln der Basenpaarung nach nur wenigen Trainingsepochen herauskommen. Die Antwort auf ihre ursprüngliche Frage war also, dass es "viel weniger als man denkt" braucht, um diesen Typ von Modell zu lernen. Ich denke nicht, dass das bedeutet, dass die großangelegten Trainingsanstrengungen notwendigerweise dumm oder fehlgeleitet sind. Aber dieses Ergebnis deutet darauf hin, dass es noch viel Effizienz und Leistung gibt, die aus architektonischen Innovationen herausgeholt werden kann. Es gibt eine Menge zugrunde liegender Struktur in der Sprache der Biologie.

Es ist großartig, dass das Wort über die Series A von Tahoe verbreitet wird. @nalidoust und @iamjohnnyyu sind ein fantastisches CEO/CSO-Technikgründer-Duo. @genophoria und @kevansf sind beide unglaubliche Wissenschaftler. Es ist ein Traumteam. Der Ehrgeiz, 1 *Milliarde* Zellen aus einer Vielzahl von Patientenhintergründen anzugehen, grenzt an Absurdität. Aber sie bauen die Infrastruktur, um es zur Realität zu machen. Und die kommerzielle Vision ist ebenso intensiv. Ich kann es kaum erwarten, dass mehr von Tahoes Geschichte bald geteilt wird. Es ist ein Privileg, mit diesem Team bei Amplify zusammenzuarbeiten.

In der Biologie funktionieren Skalierungsgesetze... ...bis sie es nicht mehr tun. Für die Vorhersage der Fitness steigt die Leistung von Protein-Sprachmodellen mit der Modellgröße, bis sie ein Plateau erreicht und dann abnimmt. Wenn der Trainingsverlust (NLL) sinkt, beginnen die Modelle, höhere Sequenzwahrscheinlichkeiten vorherzusagen und korrelieren weniger mit der zugrunde liegenden Fitness. Beispiel 10.001, warum KI in der Biologie eine sorgfältige Berücksichtigung der zugrunde liegenden Verteilungen, Trainingsziele und Dutzende anderer Details erfordert. Die Schnittmenge ist reichhaltig, erfordert jedoch sorgfältige Arbeit in beiden Disziplinen.

Nach vielen Monaten intensiver Arbeit wachsen wir bei Decade! Wir stellen einen Proteinbiochemiker ein, um uns dabei zu helfen, die Krebsbehandlung radikal zu verbessern. Wenn Sie es mögen, frühzeitig dabei zu sein und einen Unterschied zu machen, würden wir uns freuen, von Ihnen zu hören! Details hier:

Müde: Silizium-basierte Computer Verdrahtet (im wahrsten Sinne des Wortes): Pilz-Computer Aus "Nachhaltige Memristoren aus Shiitake-Myzel für Hochfrequenz-Bioelektronik" Die Idee ist, adaptive elektrische Signale im Shiitake (von dem ich nicht wusste, dass es existiert) als Ersatz für neuronale Organoide für neuromorphe Computeranwendungen zu verwenden. "Unsere Ergebnisse zeigen, dass Pilz-Computer skalierbare, umweltfreundliche Plattformen für neuromorphe Aufgaben bieten können, die Bioelektronik und unkonventionelles Rechnen verbinden." 100% eine der "unkonventionelleren" Forschungsideen, die ich kürzlich gesehen habe...

Es haut mich immer wieder um, dass $NVDA mehr wert ist als *alle* der Top-20-Pharmaunternehmen zusammen. Wir kratzen nur an der Oberfläche der effizienten Entwicklung und des Vertriebs von Medikamenten und Diagnostika. Es gibt noch so viel zu bauen!

Wir haben mit @ElliotHershberg (Partner @AmplifyPartners) über die Herausforderungen in der Technologie der Lebenswissenschaften gesprochen. "Es gibt ein allgemeines Gefühl, dass man mit neuen Daten und neuer Technologie in den Lebenswissenschaften enorme Fortschritte erzielen kann." "Es stellt sich tatsächlich heraus, dass es wirklich schwierig ist, eine einmalige Heilung für Krebs zu finden." "Es gibt Durchbrüche wie den Nobelpreis für Alphafold. KI hat echte Auswirkungen auf schwierige biologische Probleme." "Die Kosten für die DNA-Sequenzierung sinken schneller als das Moore'sche Gesetz." "Die Leute beginnen, Modelle zu skalieren, und es wird schnell beeindruckend."

Was wäre, wenn Grippeimpfstoffe wirklich wirken würden? Und ich meine *wirklich* wirken – bis zu dem Punkt, an dem die endemische Beziehung der Menschheit zur Influenza Geschichte wäre und nicht eine fortwährende globale Gesundheitsherausforderung. Was wäre, wenn wir *alle* schnell mutierenden Krankheitserreger mindern könnten? Deshalb gründete Jake Glanville Centivax. Seine Lebensmission ist es, "das zu beenden, was Edward Jenner begonnen hat", indem er universelle Impfstoffe entwickelt, die den Übergang der Menschheit in eine post-pathogen Zukunft beschleunigen. Jake ist genau der Typ von technischem Gründer, mit dem wir bei Amplify eine Partnerschaft anstreben. Er war ein früher Pionier im Bereich des computergestützten Antikörperdesigns bei Pfizer, bevor er einer der ersten Doktoranden in Computational & Systems Biology an der Stanford-Universität unter Mark Davis wurde. Er hat ein Lebenswerk in eine ausgeprägte – und etwas konträre – Idee zur Entwicklung universeller Impfstoffe synthetisiert. Und das Team, das er zusammengestellt hat, ist ebenso außergewöhnlich. Zum Beispiel ist Jerry Sadoff, der CMO von Centivax, einer der produktivsten Impfstoffentwickler, die es gibt. Es ist uns wirklich ein Privileg, an der Series A Syndikatsrunde für Centivax teilzunehmen. In den letzten zehn Jahren haben Jake und das Team ein umfassendes präklinisches Datenpaket für ihr führendes Grippeprogramm zusammengestellt. Das einzige verbleibende Experiment ist zu sehen, ob sich dies auf Menschen übertragen lässt, was diese Runde finanziert. Wenn diese Technologie erfolgreich ist, wird die Auswirkung enorm sein. Und die Geschichte der Beharrlichkeit dieses Teams wird ein eigenes Buch im Biotech-Kanon erfordern.