A palavra saiu! @packyM e eu estávamos empolgados em ajudar a semear @Atelfo, @okaymaged e a equipe do @Convokebio enquanto eu estava na @notboringco Escritores investindo em escritores 🤝🧬 Empolgado com esta 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 que delineia a Lei de Eroom (a eficiência de P&D da descoberta de medicamentos em declínio exponencial), um dos "diagnósticos" de Jack Scannell para o problema foi o viés de 'pesquisa básica–força bruta'. Temos uma tendência a superestimar o impacto da escalabilidade das 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 nas fases mais iniciais da descoberta. Acho que essa é a genialidade da visão de Brandon e Alex na Axiom. Ao reduzir o custo, o tempo e a fricção associados aos testes de toxicidade, isso pode ser realizado muito mais cedo no processo de descoberta—assim que você tiver uma molécula. Esta é uma das mudanças mais radicais do aprendizado de máquina molecular em relação aos esforços iniciais de química computacional. Um grande número de diferentes critérios de descoberta pode ser considerado em uma única passagem para frente.

O que é necessário para um computador aprender as regras do emparelhamento de bases de RNA? As pessoas estão treinando grandes modelos de linguagem para a 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 de Watson-Crick-Franklin diretamente a partir 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 descida de gradiente. Com apenas 50 sequências de RNA—sem estruturas correspondentes— as regras de emparelhamento de bases surgiriam após apenas algumas épocas de treinamento. Portanto, a resposta à sua pergunta original foi que leva "muito menos do que você pode pensar" para aprender esse tipo de modelo. Não acho que isso signifique que os esforços de treinamento em grande escala sejam necessariamente tolos ou mal orientados. Mas esse resultado sugere que há muita eficiência e desempenho que ainda podem ser extraídos da inovação na arquitetura. Há uma estrutura subjacente à linguagem da biologia.

É incrível ter a palavra sobre a Série A da Tahoe. @nalidoust e @iamjohnnyyu são uma dupla de fundadores técnicos CEO/CSO fantástica. @genophoria e @kevansf são ambos cientistas incríveis. É uma equipa dos sonhos. A escala de ambição de ir atrás de 1 *bilhão* de células de uma ampla gama de perfis de pacientes beira o absurdo. Mas eles estão a construir a infraestrutura para tornar isso uma realidade. E a visão comercial é igualmente intensa. Mal posso esperar para que mais da história da Tahoe seja compartilhada em breve. É um privilégio fazer parceria com esta equipa na Amplify.

Na biologia, as leis de escala funcionam... ...até não funcionarem. Para a previsão de fitness, o desempenho do modelo de linguagem de proteínas aumenta com o tamanho do modelo até atingir um platô e depois degrada. À medida que a perda de treino (NLL) diminui, os modelos começam a prever maiores probabilidades de sequência e correlacionam-se menos com o fitness subjacente. Exemplo 10.001 de porque a IA para a biologia requer uma consideração cuidadosa das distribuições subjacentes, objetivos de treino e dezenas de outros detalhes. A interseção é rica, mas requer um trabalho cuidadoso em ambas as disciplinas.

Após muitos meses de trabalho intenso, nós da Decade estamos a crescer! Estamos a contratar um bioquímico de proteínas para nos ajudar a melhorar radicalmente o tratamento do câncer. Se você gosta de estar à frente e fazer a diferença, estamos interessados em ouvir de você! Detalhes aqui:

Cansado: computadores à base de silício Conectado (literalmente): computadores fúngicos De "Memristores Sustentáveis a partir de Micélio de Shiitake para Bioeletrónica de Alta Frequência" A ideia é usar sinalização elétrica adaptativa no shiitake (que eu não sabia que existia) como um substituto para organoides neurais em aplicações de computação neuromórfica. "Nossas descobertas mostram que computadores fúngicos podem fornecer plataformas escaláveis e ecológicas para tarefas neuromórficas, ligando bioeletrónica e computação não convencional." 100% uma das ideias de pesquisa mais "não convencionais" que encontrei recentemente...

Nunca deixa de me surpreender que $NVDA vale mais do que *todas* as 20 melhores farmácias combinadas. Estamos apenas arranhando a superfície de projetar e distribuir medicamentos e diagnósticos de forma eficiente. Ainda há muito para construir!

Falámos com @ElliotHershberg (Partner @AmplifyPartners) sobre os desafios da tecnologia das ciências da vida. "Tem havido um sentimento geral de que é possível fazer um enorme progresso com novos dados e novas tecnologias nas ciências da vida." "Na verdade, acontece que é realmente difícil encontrar uma única dose de cura para o câncer." "Há avanços como o Nobel da Alphafold. A IA está a ter impactos reais nos 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 escalar modelos, e isso está ficando impressionante rapidamente."

E se as vacinas contra a gripe realmente funcionassem? E quero dizer *realmente* funcionassem—ao ponto de que a relação endémica da humanidade com a influenza se tornasse história, e não um desafio contínuo de saúde global. E se pudéssemos mitigar *todos* os patógenos que mutam rapidamente? É por isso que Jake Glanville fundou a Centivax. A sua missão de vida é "terminar o que Edward Jenner começou" desenvolvendo vacinas universais que acelerem a transição da humanidade para um futuro pós-patogénico. Jake é exatamente o tipo de Fundador Técnico com quem procuramos colaborar na Amplify. Ele foi um dos primeiros pioneiros do design computacional de anticorpos na Pfizer, antes de se tornar um dos primeiros estudantes de pós-graduação em Biologia Computacional e de Sistemas em Stanford com Mark Davis. Ele sintetizou uma vida de trabalho numa ideia distinta—e um tanto contrária—para desenvolver vacinas universais. E a equipe que ele reuniu é igualmente extraordinária. Por exemplo, o CMO da Centivax, Jerry Sadoff, é um dos desenvolvedores de vacinas mais prolíficos vivos. É verdadeiramente um privilégio para nós participar do sindicato da Série A da Centivax. Ao longo da última década, Jake e a equipe montaram um pacote abrangente de dados pré-clínicos para o seu programa principal contra a gripe. O único experimento restante é ver se isso se traduz em humanos, que é o que esta rodada financia. Se esta tecnologia for bem-sucedida, o impacto será enorme. E a história da perseverança desta equipe exigirá seu próprio livro no cânone da biotecnologia.