言葉が出ました! @packyMと私は、私が@notboringcoにいる間、@Atelfo、@okaymaged、@Convokebioの乗組員の種まきを手伝うことに興奮しました 作家🤝🧬に投資する作家 このビジョンに興奮しています。

創薬における AI の最も有望な側面の 1 つは、マルチモダリティの利点と、多くの異なるタスクのモデルを構築できることだと思います。 2012年のエッセイで、エルームの法則(創薬による研究開発効率の指数関数的な低下)を概説したジャック・スキャネルは、この問題に対する「診断」の1つが「基礎研究-ブルートフォース」バイアスでした。 私たちは、初期段階の発見テクノロジーを拡張することの影響を過大評価する傾向があります。多くの場合、これらのアッセイは臨床的成功の「予測妥当性」が低いです。 AI モデルがこの問題の解決に役立つ 1 つの方法は、発見の初期段階で、より翻訳的に関連性の高い予測を組み込むことができることです。 これが、Axiom におけるブランドンとアレックスのビジョンの天才だと思います。毒性試験に関連するコスト、時間、摩擦を削減することで、分子が手に入ったらすぐに、発見プロセスのはるかに早い段階で毒性試験を引き出すことができます。 これは、初期の計算化学の取り組みと比較して、分子機械学習の最も根本的な出発点の 1 つです。 多数の異なる検出基準を 1 回のフォワード パスで考慮できます。

コンピューターがRNA塩基対のルールを学習するには何が必要ですか? 人々は、RNA構造予測のために大規模な言語モデルをトレーニングしています。これらのモデルの中には、数億のパラメータを持つものもあります。 興味深い初期の結果は、これらのモデルがデータから直接ワトソン-クリック-フランクリン塩基対のルールを学習することです。 ハーバード大学の研究グループは、この結果を達成できる可能な限り最小のモデルが何であるかを確認することにしました。 彼らは、勾配降下法を使用して、わずか 21 個のパラメーターを持つ小さな確率モデルをトレーニングしました。 対応する構造がない 50 個の RNA 配列では、塩基対のルールは、わずか数回のトレーニング エポックで明らかになります。 したがって、彼らの最初の質問に対する答えは、このタイプのモデルを学ぶのに「思っているよりもはるかに少ない」というものでした。 これは、大規模なトレーニングの取り組みが必ずしも愚かで見当違いであるという意味ではないと思います。しかし、この結果は、アーキテクチャの革新からまだ多くの効率とパフォーマンスが得られることを示唆しています。 生物学の言語には多くの根底構造があります。

タホのシリーズAを宣伝するのは素晴らしいことです。 @nalidoustと@iamjohnnyyuは、キラーCEOとCSOの技術創設者デュオです。@genophoriaと@kevansfはどちらも素晴らしい科学者です。ドリームチームだ。 幅広い患者の背景にわたる 10 億の細胞を追跡するという野心の規模は、ばかげているほどです。しかし、彼らはそれを実現するためのインフラを構築しています。 そして、商業的なビジョンも同様に強烈です。 タホの物語がすぐに共有されるのが待ちきれません。 Amplifyのこのチームと提携できることを光栄に思います。

生物学では、スケーリングの法則が機能します... ...彼らが知らなくなるまで。 適応度予測では、タンパク質言語モデルのパフォーマンスは、モデルのサイズとともに増加し、頭打ちになってから低下します。 トレーニング損失 (NLL) が減少すると、モデルはシーケンス尤度が高く予測され始め、基礎となる適応度との相関関係が低くなります。 生物学のための AI が基礎となる分布、トレーニング目標、その他数十の詳細を慎重に検討する必要がある理由の例 10,001。 交差点は豊富ですが、両方の分野にわたる慎重な作業が必要です。

何ヶ月も頭を悩ませた後、私たちディケイドは成長しています。がん治療を根本的に改善するために、タンパク質生化学者を募集しています。 早めに行動して影響を与えるのが好きな方は、ぜひご意見をお待ちしております。詳細はこちら:

疲れた:シリコンベースのコンピューター 有線(文字通り):真菌コンピュータ 「椎茸菌糸体による高周波バイオエレクトロニクスのためのサステナブルメモリスタ」より アイデアは、ニューロモルフィックコンピューティングアプリケーションのための神経オルガノイドの代替として、シイタケ(私は存在を知らなかった)の適応電気信号を使用することです。 「私たちの発見は、真菌コンピューターがニューロモルフィックタスクにスケーラブルで環境に優しいプラットフォームを提供し、バイオエレクトロニクスを橋渡しできることを示しています そして型破りなコンピューティング」と表現しました。 私が最近出会った「型破りな」研究アイデアの100%...

$NVDAがトップ20の製薬会社を合わせた*すべて*よりも価値があることに、私の心を吹き飛ばしてやみません。 私たちは、医薬品と診断薬を効率的に設計し、配布するための表面をなぞったにすぎません。 まだまだ作るべきものがたくさんあります!

@ElliotHershberg(パートナー@AmplifyPartners)に、ライフサイエンス技術の課題についてお話を伺いました。 「ライフサイエンスでは、新しいデータと新しいテクノロジーによって大きな進歩を遂げることができるという一般的な意見があります。」 「実際には、がんの治療法を一発で見つけるのは本当に難しいことがわかりました。」 「アルファフォールドのノーベル賞のようなブレークスルーがあります。AIは、難しい生物学の問題に真の影響を与えています。」 「DNAシーケンシングは、ムーアの法則よりも早くコストが減少しています。」 「人々はモデルをスケールし始めており、それは急速に目覚ましいものになっています」。

インフルエンザワクチンが本当に効いたとしたら? つまり、人類のインフルエンザとの風土病的な関係が、進行中の世界的な健康課題ではなく、過去のものとなるまで、*本当に*うまくいったのです。 もし、急速に変異する病原体をすべて軽減できるとしたらどうでしょうか? これが、ジェイク・グランビルがCentivaxを設立した理由です。彼の生涯の使命は、人類がポスト病原体の未来に移行するのを加速させる万能ワクチンを開発することで、「エドワード・ジェンナーが始めたことを終わらせる」ことです。 ジェイクは、まさにAmplifyでパートナーを組むことを検討しているテクニカルファウンダーのタイプです。彼はファイザー社で計算抗体設計の初期のパイオニアであり、その後、マーク・デイビスとともにスタンフォード大学で計算およびシステム生物学の最初の大学院生の1人になりました。 彼は、生涯にわたる研究を、万能ワクチンの開発のための明確な、そしてやや逆説的なアイデアに統合しました。 そして、彼が集めたチームも同様に並外れています。例えば、CentivaxのCMOであるJerry Sadoff氏は、現存するワクチン開発者の中で最も多作な人物の1人です。 CentivaxのシリーズAシンジケートに参加できることは、私たちにとって本当に光栄なことです。過去10年間で、ジェイクとチームは、主要なインフルエンザプログラムのための包括的な前臨床データパッケージをまとめてきました。 残された唯一の実験は、これが人間に当てはまるかどうかを確認することであり、それがこのラウンドで保証されていることです。 この技術が成功すれば、その影響は甚大です。そして、このチームの忍耐力の物語は、バイオテクノロジーの規範の中で独自の本を必要とするでしょう。