A palavra está fora! @packyM e eu ficamos felizes em ajudar a semear @Atelfo, @okaymaged e a equipe de @Convokebio enquanto eu estava em @notboringco Escritores que investem em escritores 🤝🧬 Animado com essa visão.

Acho que um dos aspectos mais promissores da IA para a descoberta de medicamentos é o benefício da multimodalidade e a capacidade de construir modelos para muitas tarefas distintas. Em seu ensaio de 2012 descrevendo a Lei de Eroom (a eficiência de P&D em declínio exponencial da descoberta de medicamentos), um dos "diagnósticos" de Jack Scannell para o problema foi o viés da "pesquisa básica – força bruta". Temos a tendência de superestimar o impacto do dimensionamento de tecnologias de descoberta em estágio inicial. Muitas vezes, esses ensaios têm baixa "validade preditiva" de sucesso clínico. Uma maneira pela qual os modelos de IA ajudam a resolver esse problema é que eles podem incorporar previsões mais relevantes para a tradução nos estágios iniciais da descoberta. Acho que essa é a genialidade da visão de Brandon e Alex na Axiom. Ao reduzir o custo, o tempo e o atrito associados aos testes de toxicidade, ele pode ser retirado muito mais cedo no processo de descoberta - assim que você tiver uma molécula. Esta é uma das partidas mais radicais do aprendizado de máquina molecular em relação aos primeiros esforços de química computacional. Um grande número de critérios de descoberta diferentes pode ser contabilizado em uma única passagem para frente.

O que é preciso para um computador aprender as regras do emparelhamento de bases de RNA? As pessoas estão treinando grandes modelos de linguagem para previsão da estrutura do RNA. Alguns desses modelos têm centenas de milhões de parâmetros. Um resultado inicial empolgante foi que esses modelos aprendem as regras do emparelhamento de bases Watson-Crick-Franklin diretamente dos dados. Um grupo de pesquisa em Harvard decidiu ver qual era o menor modelo possível que poderia alcançar esse resultado. Eles treinaram um pequeno modelo probabilístico com apenas 21 parâmetros usando gradiente descendente. Com apenas 50 sequências de RNA - sem estruturas correspondentes - as regras do emparelhamento de bases apareceriam após apenas algumas épocas de treinamento. Portanto, a resposta à pergunta original foi que é preciso "muito menos do que você imagina" para aprender esse tipo de modelo. Não acho que isso signifique que os esforços de treinamento em grande escala sejam necessariamente estúpidos ou equivocados. Mas esse resultado sugere que há muita eficiência e desempenho que ainda podem ser obtidos com a inovação arquitetônica. Há muita estrutura subjacente à linguagem da biologia.

É incrível ter a palavra para a Série A de Tahoe. @nalidoust e @iamjohnnyyu são uma dupla matadora de CEO / fundador técnico CSO. @genophoria e @kevansf são cientistas incríveis. É um time dos sonhos. A escala de ambição de ir atrás de 1 bilhão de células em uma ampla gama de origens de pacientes beira o absurdo. Mas eles estão construindo a infraestrutura para torná-lo realidade. E a visão comercial é igualmente intensa. Mal posso esperar para que mais da história de Tahoe seja compartilhada em breve. É um privilégio fazer parceria com essa equipe da Amplify.

Em biologia, as leis de escala funcionam... ... até que não o façam. Para previsão de aptidão, o desempenho do modelo de linguagem de proteínas aumenta com o tamanho do modelo até que ele se estabilize e depois se degrade. À medida que a perda de treinamento (NLL) diminui, os modelos começam a prever maiores probabilidades de sequência e se correlacionam menos com o condicionamento físico subjacente. Exemplo 10.001 de por que a IA para biologia requer uma consideração cuidadosa das distribuições subjacentes, objetivos de treinamento e dezenas de outros detalhes. A interseção é rica, mas requer um trabalho cuidadoso em ambas as disciplinas.

Depois de muitos meses de cabeça baixa, nós da Decade estamos crescendo! Estamos contratando um bioquímico de proteínas para nos ajudar a melhorar radicalmente o tratamento do câncer. Se você gosta de chegar cedo e causar impacto, estamos interessados em ouvir de você! Detalhes aqui:

Cansado: Computadores baseados em silício Com fio (literalmente): computadores fúngicos De "Memristores Sustentáveis de Micélio Shiitake para Bioeletrônica de Alta Frequência" A ideia é usar a sinalização elétrica adaptativa em shiitake (que eu não sabia que existia) como um substituto para organoides neurais para aplicações de computação neuromórfica. "Nossas descobertas mostram que os computadores fúngicos podem fornecer plataformas escaláveis e ecológicas para tarefas neuromórficas, unindo a bioeletrônica e computação não convencional." 100% uma das ideias de pesquisa mais "não convencionais" que encontrei recentemente ...

Nunca deixo de me surpreender que $NVDA vale mais do que * todas * as 20 principais farmacêuticas combinadas. Estamos apenas arranhando a superfície do projeto e distribuição eficiente de medicamentos e diagnósticos. Ainda há muito para construir!

Conversamos com @ElliotHershberg (Parceiro @AmplifyPartners) sobre os desafios da tecnologia de ciências da vida. "Tem havido um sentimento geral de que você pode fazer um grande progresso com novos dados e novas tecnologias em ciências da vida." "Na verdade, é muito difícil dar uma cura para o câncer." "Há avanços como o Prêmio Nobel para Alphafold. A IA está causando impactos reais em problemas de biologia difícil." "O sequenciamento de DNA está diminuindo de custo mais rápido do que a Lei de Moore." "As pessoas estão começando a dimensionar modelos, e está ficando impressionante rapidamente."

E se as vacinas contra a gripe realmente funcionassem? E quero dizer que *realmente* funcionou - a ponto de a relação endêmica da humanidade com a gripe se tornar história, não um desafio contínuo de saúde global. E se pudéssemos mitigar *todos* os patógenos em rápida mutação? É por isso que Jake Glanville fundou a Centivax. Sua missão de vida é "terminar o que Edward Jenner começou" desenvolvendo vacinas universais que aceleram a transição da humanidade para um futuro pós-patógeno. Jake é exatamente o tipo de fundador técnico com quem procuramos fazer parceria na Amplify. Ele foi um dos primeiros pioneiros do design de anticorpos computacionais na Pfizer, antes de se tornar um dos primeiros alunos de pós-graduação em Biologia Computacional e de Sistemas em Stanford com Mark Davis. Ele sintetizou uma vida inteira de trabalho em uma ideia distinta - e um tanto contrária - para o desenvolvimento de vacinas universais. E a equipe que ele montou é igualmente extraordinária. Por exemplo, o CMO da Centivax, Jerry Sadoff, é um dos desenvolvedores de vacinas mais prolíficos vivos. É realmente um privilégio para nós participar do sindicato da Série A da Centivax. Na última década, Jake e a equipe montaram um pacote abrangente de dados pré-clínicos para seu programa de gripe principal. O único experimento restante é ver se isso se traduz em humanos, que é o que esta rodada subscreve. Se essa tecnologia for bem-sucedida, o impacto será enorme. E a história da perseverança dessa equipe exigirá seu próprio livro no cânone da biotecnologia.