La nouvelle est tombée ! @packyM et moi étions ravis d'aider à soutenir @Atelfo, @okaymaged et l'équipe de @Convokebio pendant que j'étais chez @notboringco. Des écrivains investissant dans des écrivains 🤝🧬 Excité par cette vision.

Je pense que l'un des aspects les plus prometteurs de l'IA pour la découverte de médicaments est le bénéfice de la multimodalité et la capacité de construire des modèles pour de nombreuses tâches distinctes. Dans son essai de 2012 décrivant la loi d'Eroom (l'efficacité de la R&D dans la découverte de médicaments qui diminue de manière exponentielle), l'un des "diagnostics" de Jack Scannell pour le problème était le biais de la recherche fondamentale–force brute. Nous avons tendance à surestimer l'impact de l'échelle des technologies de découverte en phase précoce. Souvent, ces tests ont une "validité prédictive" faible du succès clinique. Une des manières dont les modèles d'IA aident à résoudre ce problème est qu'ils peuvent incorporer des prédictions plus pertinentes sur le plan translationnel dès les toutes premières étapes de la découverte. Je pense que c'est le génie de la vision de Brandon et Alex chez Axiom. En réduisant le coût, le temps et les frictions associés aux tests de toxicité, cela peut être intégré beaucoup plus tôt dans le processus de découverte—dès que vous avez une molécule. C'est l'un des départs les plus radicaux de l'apprentissage machine moléculaire par rapport aux efforts précoces en chimie computationnelle. Un grand nombre de critères de découverte différents peuvent être pris en compte dans un seul passage en avant.

Qu'est-ce qu'il faut pour qu'un ordinateur apprenne les règles de l'appariement des bases de l'ARN ? Des personnes entraînent de grands modèles de langage pour la prédiction de la structure de l'ARN. Certains de ces modèles ont des centaines de millions de paramètres. Un résultat précoce excitant a été que ces modèles apprennent les règles de l'appariement des bases de Watson-Crick-Franklin directement à partir des données. Un groupe de recherche à Harvard a décidé de voir quel était le plus petit modèle possible capable d'atteindre ce résultat. Ils ont entraîné un petit modèle probabiliste avec seulement 21 paramètres en utilisant la descente de gradient. Avec aussi peu que 50 séquences d'ARN—sans structures correspondantes—les règles de l'appariement des bases apparaissaient après seulement quelques époques d'entraînement. Ainsi, la réponse à leur question initiale était qu'il faut "beaucoup moins que ce que vous pourriez penser" pour apprendre ce type de modèle. Je ne pense pas que cela signifie que les efforts d'entraînement à grande échelle soient nécessairement stupides ou mal orientés. Mais ce résultat suggère qu'il y a beaucoup d'efficacité et de performance qui peuvent encore être extraites de l'innovation architecturale. Il y a beaucoup de structure sous-jacente dans le langage de la biologie.

C'est génial de faire connaître la Série A de Tahoe. @nalidoust et @iamjohnnyyu forment un duo de fondateurs techniques CEO/CSO exceptionnel. @genophoria et @kevansf sont tous deux des scientifiques incroyables. C'est une équipe de rêve. L'ampleur de l'ambition d'atteindre 1 *milliard* de cellules à travers une large gamme de profils de patients frôle l'absurde. Mais ils construisent l'infrastructure pour en faire une réalité. Et la vision commerciale est tout aussi intense. J'ai hâte que davantage de l'histoire de Tahoe soit bientôt partagée. C'est un privilège de s'associer à cette équipe chez Amplify.

En biologie, les lois de mise à l'échelle fonctionnent... ...jusqu'à ce qu'elles ne fonctionnent plus. Pour la prédiction de la forme physique, la performance des modèles de langage protéique augmente avec la taille du modèle jusqu'à atteindre un plateau, puis se dégrade. À mesure que la perte d'entraînement (NLL) diminue, les modèles commencent à prédire des probabilités de séquence plus élevées et à corréler moins avec la forme physique sous-jacente. Exemple 10 001 de pourquoi l'IA pour la biologie nécessite une attention particulière aux distributions sous-jacentes, aux objectifs d'entraînement et à des dizaines d'autres détails. L'intersection est riche mais nécessite un travail minutieux dans les deux disciplines.

Après de nombreux mois de travail acharné, nous chez Decade sommes en pleine croissance ! Nous recrutons un biochimiste en protéines pour nous aider à améliorer radicalement le traitement du cancer. Si vous aimez être précoce et avoir un impact, nous serions ravis d'avoir de vos nouvelles ! Détails ici :

Fatigué : ordinateurs à base de silicium Connecté (littéralement) : ordinateurs fongiques Extrait de "Memristors durables à partir de mycélium de shiitake pour bioélectronique haute fréquence" L'idée est d'utiliser le signalement électrique adaptatif dans le shiitake (que je ne savais pas qu'il existait) comme remplacement des organoïdes neuronaux pour des applications de calcul neuromorphique. "Nos résultats montrent que les ordinateurs fongiques peuvent fournir des plateformes évolutives et écologiques pour des tâches neuromorphiques, reliant bioélectronique et calcul non conventionnel." 100 % l'une des idées de recherche les plus "non conventionnelles" que j'ai récemment rencontrées...

Je ne cesse de m’étonner que $NVDA vaut plus que *toutes* des 20 plus grandes pharmacies combinées. Nous ne faisons qu’effleurer la surface de la conception et de la distribution efficaces de médicaments et de diagnostics. Il reste tellement de choses à construire !

Nous avons discuté avec @ElliotHershberg (partenaire @AmplifyPartners) des défis de la technologie des sciences de la vie. « Le sentiment général est qu’il est possible de faire d’énormes progrès avec de nouvelles données et de nouvelles technologies dans le domaine des sciences de la vie. » « Il s’avère en fait qu’il est vraiment difficile de trouver un remède contre le cancer en une seule fois. » « Il y a des percées comme le prix Nobel pour Alphafold. L’IA a un impact réel sur les problèmes de biologie difficiles. « Le séquençage de l’ADN diminue plus rapidement que la loi de Moore. » « Les gens commencent à mettre les modèles à l’échelle, et cela devient rapidement impressionnant. »

Que se passerait-il si les vaccins contre la grippe fonctionnaient vraiment ? Et je veux dire *vraiment* fonctionner—au point que la relation endémique de l'humanité avec la grippe devienne une histoire, et non un défi de santé mondiale en cours. Que se passerait-il si nous pouvions atténuer *tous* les agents pathogènes à mutation rapide ? C'est pourquoi Jake Glanville a fondé Centivax. Sa mission de vie est de "terminer ce qu'Edward Jenner a commencé" en développant des vaccins universels qui accélèrent la transition de l'humanité vers un avenir post-pathogène. Jake est exactement le type de fondateur technique avec lequel nous cherchons à nous associer chez Amplify. Il a été un pionnier précoce de la conception d'anticorps computationnels chez Pfizer, avant de devenir l'un des premiers étudiants diplômés en biologie computationnelle et systèmes à Stanford avec Mark Davis. Il a synthétisé une vie de travail en une idée distincte—et quelque peu contrariante—pour développer des vaccins universels. Et l'équipe qu'il a assemblée est tout aussi extraordinaire. Par exemple, le CMO de Centivax, Jerry Sadoff, est l'un des développeurs de vaccins les plus prolifiques vivants. C'est vraiment un privilège pour nous de participer au syndicat de la Série A pour Centivax. Au cours de la dernière décennie, Jake et l'équipe ont assemblé un ensemble de données précliniques complet pour leur programme principal sur la grippe. Le seul reste à expérimenter est de voir si cela se traduit chez les humains, ce qui est ce que ce tour souscrit. Si cette technologie réussit, l'impact sera énorme. Et l'histoire de la persévérance de cette équipe nécessitera son propre livre dans le canon de la biotechnologie.