¡Se corre la voz! @packyM y yo estábamos encantados de ayudar a @Atelfo de semillas, @okaymaged y el equipo de @Convokebio mientras estaba en @notboringco Escritores que invierten en escritores 🤝🧬 Entusiasmado con esta visión.

Creo que uno de los aspectos más prometedores de la IA para el descubrimiento de fármacos es el beneficio de la multimodalidad y la capacidad de construir modelos para muchas tareas distintas. En su ensayo de 2012 que describe la Ley de Eroom (la eficiencia de investigación y desarrollo exponencialmente decreciente del descubrimiento de fármacos), uno de los "diagnósticos" de Jack Scannell para el problema fue el sesgo de "investigación básica: fuerza bruta". Tenemos una tendencia a sobreestimar el impacto de escalar las tecnologías de descubrimiento en etapa inicial. A menudo, estos ensayos tienen una baja "validez predictiva" de éxito clínico. Una forma en que los modelos de IA ayudan a resolver este problema es que pueden incorporar predicciones más relevantes desde el punto de vista de la traducción en las primeras etapas de descubrimiento. Creo que esta es la genialidad de la visión de Brandon y Alex en Axiom. Al reducir el costo, el tiempo y la fricción asociados con las pruebas de toxicidad, se puede extraer mucho antes en el proceso de descubrimiento, tan pronto como tenga una molécula. Esta es una de las desviaciones más radicales del aprendizaje automático molecular en relación con los primeros esfuerzos de química computacional. Se puede tener en cuenta una gran cantidad de criterios de descubrimiento diferentes en una sola pasada hacia adelante.

¿Qué se necesita para que una computadora aprenda las reglas del emparejamiento de bases de ARN? La gente está entrenando grandes modelos de lenguaje para la predicción de la estructura del ARN. Algunos de estos modelos tienen cientos de millones de parámetros. Un resultado inicial emocionante ha sido que estos modelos aprenden las reglas del emparejamiento de bases de Watson-Crick-Franklin directamente a partir de los datos. Un grupo de investigación de Harvard decidió ver cuál era el modelo más pequeño posible que pudiera lograr este resultado. Entrenaron un pequeño modelo probabilístico con solo 21 parámetros utilizando el descenso de gradiente. Con tan solo 50 secuencias de ARN, sin estructuras correspondientes, las reglas del emparejamiento de bases aparecerían después de solo unas pocas épocas de entrenamiento. Entonces, la respuesta a su pregunta original fue que se necesita "mucho menos de lo que piensas" para aprender este tipo de modelo. No creo que esto signifique que los esfuerzos de capacitación a gran escala sean necesariamente tontos o equivocados. Pero este resultado sugiere que hay mucha eficiencia y rendimiento que aún se puede obtener de la innovación arquitectónica. Hay mucha estructura subyacente en el lenguaje de la biología.

Es increíble dar a conocer la Serie A de Tahoe. @nalidoust y @iamjohnnyyu son un dúo de fundadores técnicos CEO/CSO impresionante. @genophoria y @kevansf son ambos científicos increíbles. Es un equipo de ensueño. La magnitud de la ambición de alcanzar 1 *mil millones* de células a través de una amplia gama de antecedentes de pacientes roza lo absurdo. Pero están construyendo la infraestructura para hacerlo realidad. Y la visión comercial es igualmente intensa. No puedo esperar a que se comparta más de la historia de Tahoe pronto. Es un privilegio asociarse con este equipo en Amplify.

En biología, las leyes de escalado funcionan... ...hasta que no lo hacen. Para la predicción de la aptitud, el rendimiento del modelo de lenguaje de proteínas aumenta con el tamaño del modelo hasta que se estabiliza y luego se degrada. A medida que la pérdida de entrenamiento (NLL) disminuye, los modelos comienzan a predecir mayores probabilidades de secuencia y correlacionan menos con la aptitud subyacente. Ejemplo 10,001 de por qué la IA para la biología requiere una cuidadosa consideración de las distribuciones subyacentes, los objetivos de entrenamiento y docenas de otros detalles. La intersección es rica, pero requiere un trabajo cuidadoso en ambas disciplinas.

Después de muchos meses con la cabeza gacha, ¡en Decade estamos creciendo! Estamos contratando a un bioquímico de proteínas para que nos ayude a mejorar radicalmente el tratamiento del cáncer. Si te gusta llegar temprano y tener un impacto, ¡nos interesa saber de ti! Detalles aquí:

Cansado: Ordenadores basados en silicio Cableados (literalmente): ordenadores fúngicos De "Memristores sostenibles de micelio de shiitake para bioelectrónica de alta frecuencia" La idea es utilizar la señalización eléctrica adaptativa en el shiitake (que no sabía que existía) como reemplazo de los organoides neuronales para aplicaciones de computación neuromórfica. "Nuestros hallazgos muestran que las computadoras fúngicas pueden proporcionar plataformas escalables y ecológicas para tareas neuromórficas, tendiendo un puente entre la bioelectrónica y la computación no convencional". 100% una de las ideas de investigación más "poco convencionales" con las que me he encontrado recientemente...

Nunca deja de sorprenderme que $NVDA valga más que *todas* las 20 principales farmacéuticas combinadas. Solo estamos arañando la superficie del diseño y la distribución eficientes de medicamentos y diagnósticos. ¡Queda tanto por construir!

Hablamos con @ElliotHershberg (Partner @AmplifyPartners) sobre los desafíos de la tecnología de las ciencias de la vida. "Ha habido un sentimiento general de que se puede hacer una gran cantidad de progreso con nuevos datos y nuevas tecnologías en las ciencias de la vida". "En realidad, resulta que es muy difícil encontrar una cura única para el cáncer". "Hay avances como el Premio Nobel para Alphafold. La IA está teniendo un impacto real en los problemas de biología dura". "La secuenciación del ADN está disminuyendo en costo más rápido que la Ley de Moore". "La gente está empezando a escalar modelos, y se está volviendo impresionante rápidamente".

¿Qué pasaría si las vacunas contra la gripe realmente funcionaran? Y quiero decir que *realmente* funcionó, hasta el punto de que la relación endémica de la humanidad con la influenza se convirtió en historia, no en un desafío de salud global en curso. ¿Qué pasaría si pudiéramos mitigar *todos* los patógenos que mutan rápidamente? Esta es la razón por la que Jake Glanville fundó Centivax. Su misión en la vida es "terminar lo que Edward Jenner comenzó" mediante el desarrollo de vacunas universales que aceleren la transición de la humanidad hacia un futuro post-patógeno. Jake es exactamente el tipo de fundador técnico con el que buscamos asociarnos en Amplify. Fue uno de los pioneros del diseño computacional de anticuerpos en Pfizer, antes de convertirse en uno de los primeros estudiantes graduados en Biología Computacional y de Sistemas en Stanford con Mark Davis. Ha sintetizado toda una vida de trabajo en una idea distinta, y algo contraria, para desarrollar vacunas universales. Y el equipo que ha reunido es igualmente extraordinario. Por ejemplo, el director de marketing de Centivax, Jerry Sadoff, es uno de los desarrolladores de vacunas más prolíficos del mundo. Es realmente un privilegio para nosotros participar en el sindicato de la Serie A de Centivax. Durante la última década, Jake y su equipo han reunido un paquete completo de datos preclínicos para su principal programa contra la gripe. El único experimento que queda es ver si esto se traduce a los humanos, que es lo que subscribe esta ronda. Si esta tecnología tiene éxito, el impacto será enorme. Y la historia de la perseverancia de este equipo requerirá su propio libro en el canon de la biotecnología.