Het woord is eruit! @packyM en ik waren enthousiast om @Atelfo, @okaymaged en de @Convokebio crew te helpen terwijl ik bij @notboringco was. Schrijvers investeren in schrijvers 🤝🧬 Opgewonden over deze visie.

Ik denk dat een van de meest veelbelovende aspecten van AI voor medicijnontdekking het voordeel van multi-modaliteit is en het vermogen om modellen te bouwen voor veel verschillende taken. In zijn essay uit 2012 waarin Eroom's Law (de exponentieel dalende R&D-efficiëntie van medicijnontdekking) wordt uiteengezet, was een van Jack Scannell's "diagnoses" voor het probleem de 'basisonderzoek–brute kracht' bias. We hebben de neiging om de impact van het opschalen van technologieën voor vroege ontdekking te overschatten. Vaak hebben deze assays een lage "voorspellende validiteit" van klinisch succes. Een manier waarop AI-modellen dit probleem helpen oplossen, is dat ze meer translational relevantie voorspellingen kunnen opnemen in de allereerste stadia van ontdekking. Ik denk dat dit de genialiteit is van Brandon en Alex's visie bij Axiom. Door de kosten, tijd en wrijving die gepaard gaan met toxiciteitstests te verlagen, kan dit veel eerder in het ontdekkingproces worden getrokken - zodra je een molecuul hebt. Dit is een van de meest radicale afwijkingen van moleculaire machine learning ten opzichte van vroege inspanningen in de computationele chemie. Een groot aantal verschillende ontdekcriteria kan in een enkele vooruitgang worden meegenomen.

Wat is er nodig voor een computer om de regels van RNA-basispaarvorming te leren? Mensen trainen grote taalmodellen voor RNA-structuurvoorspelling. Sommige van deze modellen hebben honderden miljoenen parameters. Een opwindend vroeg resultaat is dat deze modellen de regels van Watson-Crick-Franklin-basispaarvorming rechtstreeks uit gegevens leren. Een onderzoeksgroep aan Harvard besloot te onderzoeken wat het kleinste mogelijke model was dat dit resultaat kon bereiken. Ze trainden een klein probabilistisch model met slechts 21 parameters met behulp van gradient descent. Met zo weinig als 50 RNA-sequenties—zonder bijbehorende structuren—kwamen de regels van de basisparing na slechts een paar trainings-epochs naar voren. Dus het antwoord op hun oorspronkelijke vraag was dat het "veel minder is dan je misschien denkt" om dit type model te leren. Ik denk niet dat dit betekent dat de grootschalige trainingsinspanningen noodzakelijkerwijs dom of misleidend zijn. Maar dit resultaat suggereert dat er veel efficiëntie en prestaties zijn die nog steeds uit architectuurinnovatie kunnen worden gehaald. Er is veel onderliggende structuur in de taal van de biologie.

Het is geweldig om het nieuws over Tahoe's Series A te verspreiden. @nalidoust en @iamjohnnyyu zijn een geweldige CEO/CSO technische oprichtersduo. @genophoria en @kevansf zijn beide ongelooflijke wetenschappers. Het is een droomteam. De schaal van ambitie om 1 *miljard* cellen na te jagen uit een breed scala van patiëntenachtergronden is bijna absurd. Maar ze bouwen de infrastructuur om het werkelijkheid te maken. En de commerciële visie is even intens. Ik kan niet wachten tot er meer van Tahoe's verhaal binnenkort gedeeld wordt. Het is een voorrecht om met dit team bij Amplify samen te werken.

In de biologie werken schaalwetten... ...totdat ze dat niet meer doen. Voor fitnessvoorspelling neemt de prestaties van het eiwit-taalmodel toe met de modelgrootte totdat het plateauert en vervolgens afneemt. Naarmate het trainingsverlies (NLL) daalt, beginnen modellen hogere sequentiekansen te voorspellen en minder te correleren met de onderliggende fitness. Voorbeeld 10.001 van waarom AI voor biologie zorgvuldige overweging van onderliggende distributies, trainingsdoelen en tientallen andere details vereist. De kruising is rijk maar vereist zorgvuldige arbeid over beide disciplines.

Na vele maanden hard werken, groeien we bij Decade! We zijn op zoek naar een eiwitbiochemicus om ons te helpen de behandeling van kanker radicaal te verbeteren. Als je het leuk vindt om vroeg betrokken te zijn en impact te maken, horen we graag van je! Details hier:

Vermoeid: op silicium gebaseerde computers Aangesloten (letterlijk): schimmelcomputers Uit "Duurzame memristors van shiitake-mycelium voor bio-elektronica op hoge frequentie" Het idee is om adaptieve elektrische signalering in shiitake (waarvan ik niet wist dat het bestond) te gebruiken als vervanging voor neurale organoïden voor neuromorfe computerapplicaties. "Onze bevindingen tonen aan dat schimmelcomputers schaalbare, milieuvriendelijke platforms kunnen bieden voor neuromorfe taken, die bio-elektronica en onconventioneel rekenen met elkaar verbinden." 100% een van de meer "onconventionele" onderzoeksideeën die ik recentelijk ben tegengekomen...

Blijft me verbazen dat $NVDA meer waard is dan *alle* van de top 20 farmaceutische bedrijven samen. We staan nog maar aan het begin van het efficiënt ontwerpen en distribueren van medicijnen en diagnostiek. Er is nog zoveel te bouwen!

We spraken met @ElliotHershberg (Partner @AmplifyPartners) over de uitdagingen in life sciences technologie. "Er is een algemeen gevoel dat je enorm veel vooruitgang kunt boeken met nieuwe data en nieuwe technologie in de biowetenschappen." "Het blijkt eigenlijk dat het heel moeilijk is om in één keer een remedie voor kanker te krijgen." "Er zijn doorbraken zoals de Nobelprijs voor Alphafold. AI heeft een echte impact op moeilijke biologieproblemen." "DNA-sequencing daalt sneller in kosten dan de wet van Moore." "Mensen beginnen modellen te schalen en het wordt snel indrukwekkend."

Wat als griepvaccins echt zouden werken? En ik bedoel *echt* werken—tot het punt dat de endemische relatie van de mensheid met influenza geschiedenis werd, en geen voortdurende wereldwijde gezondheidsuitdaging meer is. Wat als we *alle* snel muterende pathogenen konden verminderen? Dit is waarom Jake Glanville Centivax heeft opgericht. Zijn levensmissie is om "af te maken wat Edward Jenner is begonnen" door universele vaccins te ontwikkelen die de overgang van de mensheid naar een post-pathogeen toekomst versnellen. Jake is precies het type technische oprichter waarmee we bij Amplify willen samenwerken. Hij was een vroege pionier van computationeel antilichaamontwerp bij Pfizer, voordat hij een van de eerste afgestudeerde studenten in Computationele & Systeem Biologie aan Stanford werd bij Mark Davis. Hij heeft een leven lang werk samengevoegd in een onderscheidend—en enigszins contrair—idee voor het ontwikkelen van universele vaccins. En het team dat hij heeft samengesteld is even buitengewoon. Bijvoorbeeld, de CMO van Centivax, Jerry Sadoff, is een van de meest productieve vaccinontwikkelaars die er zijn. Het is echt een voorrecht voor ons om deel te nemen aan de Series A syndicaat voor Centivax. In het afgelopen decennium hebben Jake en het team een uitgebreid preklinisch datapakket samengesteld voor hun belangrijkste griepprogramma. Het enige resterende experiment is te zien of dit zich vertaalt naar mensen, wat deze ronde onderbouwt. Als deze technologie succesvol is, zal de impact enorm zijn. En het verhaal van de volharding van dit team zal zijn eigen boek vereisen in de biotechnologische canon.