Слово вийшло! @packyM і я були сповнені ентузіазму, щоб допомогти @Atelfo, @okaymaged та команді @Convokebio, поки я був у @notboringco Письменники, які інвестують у письменників 🤝🧬 У захваті від цього бачення.

Я думаю, що одним із найперспективніших аспектів штучного інтелекту для відкриття ліків є перевага мультимодальності та можливість будувати моделі для багатьох різних завдань. У своєму есе 2012 року, в якому він описав закон Ерума (експоненціально знижується ефективність досліджень і розробок у відкритті ліків), одним із «діагнозів» Джека Сканнелла для цієї проблеми було упередження «базове дослідження – груба сила». Ми маємо тенденцію переоцінювати вплив масштабування технологій відкриття на ранніх стадіях. Часто ці аналізи мають низьку «прогностичну валідність» клінічного успіху. Один із способів, за допомогою якого моделі штучного інтелекту допомагають вирішити цю проблему, полягає в тому, що вони можуть включати більш трансляційно релевантні прогнози на найраніших стадіях відкриття. Я думаю, що в цьому і полягає геніальність бачення Брендона та Алекса в Axiom. Зменшуючи витрати, час і тертя, пов'язані з тестуванням на токсичність, можна витягнути його набагато раніше в процесі виявлення - як тільки у вас є молекула. Це один з найбільш радикальних відхилень молекулярного машинного навчання в порівнянні з ранніми зусиллями в обчислювальній хімії. Велика кількість різних критеріїв виявлення може бути врахована за один прохід вперед.

Що потрібно комп'ютеру, щоб вивчити правила сполучення основ РНК? Люди тренують великі мовні моделі для прогнозування структури РНК. Деякі з цих моделей мають сотні мільйонів параметрів. Захоплюючим раннім результатом стало те, що ці моделі вивчають правила сполучення баз Watson-Crick-Franklin безпосередньо на основі даних. Дослідницька група з Гарварду вирішила з'ясувати, яка найменша можлива модель може досягти такого результату. Вони тренували крихітну імовірнісну модель лише з 21 параметром за допомогою градієнтного спуску. При наявності всього 50 послідовностей РНК - без відповідних структур - правила сполучення основ вискочать вже через кілька тренувальних епох. Отже, відповідь на їхнє початкове запитання полягала в тому, що для вивчення цього типу моделі потрібно «набагато менше, ніж ви думаєте». Я не думаю, що це означає, що масштабні тренувальні зусилля обов'язково дурні або помилкові. Але цей результат свідчить про те, що існує багато ефективності та продуктивності, які все ще можна отримати від інновацій в архітектурі. У мові біології є багато глибинних структур.

Це чудово, що про Tahoe говорять про серію А. @nalidoust та @iamjohnnyyu – це вбивчий дует технічних засновників CEO/CSO. @genophoria і @kevansf – неймовірні вчені. Це команда мрії. Масштаб амбіцій отримати 1 *мільярд* клітини в широкому діапазоні пацієнтів межує з абсурдом. Але вони будують інфраструктуру, щоб зробити це реальністю. І комерційне бачення не менш насичене. Я не можу дочекатися, коли незабаром буде опубліковано більше історії Тахо. Для нас велика честь співпрацювати з цією командою в Amplify.

У біології працюють закони масштабування... ... поки вони цього не зроблять. Для прогнозування фітнесу продуктивність моделі білкової мови збільшується з розміром моделі, поки вона не вийде на плато, а потім деградує. У міру того, як втрати тренувань (NLL) зменшуються, моделі починають передбачати вищі ймовірності послідовностей і менше корелюють з основною фізичною підготовкою. Приклад 10 001 про те, чому штучний інтелект для біології вимагає ретельного розгляду основних розподілів, цілей навчання та десятків інших деталей. Перетин багатий, але вимагає ретельної роботи в обох дисциплінах.

Після багатьох місяців спаду, ми в Decade ростемо! Ми наймаємо білкового біохіміка, який допоможе нам радикально покращити лікування раку. Якщо вам подобається бути раннім і впливати на вас, нам цікаво почути вашу думку! Деталі тут:

Втомилися: комп'ютери на основі кремнію Дротові (в прямому сенсі): грибкові комп'ютери Від "Стійкі мемристори з міцелію шиітаке для високочастотної біоелектроніки" Ідея полягає в тому, щоб використовувати адаптивну електричну сигналізацію в шиітаке (про існування якої я не знав) як заміну нейронних органоїдів для додатків нейроморфних обчислень. «Наші результати показують, що грибкові комп'ютери можуть забезпечити масштабовані, екологічно чисті платформи для нейроморфних завдань, поєднуючи біоелектроніку і нетрадиційні обчислення». 100% одна з найбільш «нетрадиційних» дослідницьких ідей, з якими я нещодавно зіткнувся...

Не перестає вражати мене тим, що $NVDA коштує більше, ніж *всі* з 20 найкращих фармацевтичних компаній разом узятих. Ми лише починаємо ефективно розробляти та розповсюджувати ліки та діагностику. Стільки всього залишилося побудувати!

Ми поговорили з @ElliotHershberg (партнером @AmplifyPartners) про виклики в технологіях наук про життя. «Існує загальна думка, що ви можете досягти величезного прогресу за допомогою нових даних і нових технологій у науках про життя». «Насправді виявляється, що дуже важко вилікуватися від раку одним уколом». "Є прориви на кшталт Нобелівської премії за Alphafold. Штучний інтелект робить реальний вплив на проблеми жорсткої біології». «Секвенування ДНК зменшується за вартістю швидше, ніж закон Мура». «Люди починають масштабувати моделі, і це швидко стає вражаючим».

А якби вакцини від грипу дійсно працювали? І я маю на увазі *дійсно* спрацювало — до такої міри, що ендемічні відносини людства з грипом стали історією, а не постійною глобальною проблемою охорони здоров'я. Що, якби ми могли пом'якшити *всі* мутуючі патогени? Ось чому Джейк Гленвілл заснував компанію Centivax. Його життєва місія полягає в тому, щоб «завершити те, що почав Едвард Дженнер», розробивши універсальні вакцини, які прискорюють перехід людства до постпатогенного майбутнього. Джейк – саме той тип технічного засновника, з яким ми прагнемо співпрацювати в Amplify. Він був піонером у розробці обчислювальних антитіл у Pfizer, а потім став одним із перших аспірантів з обчислювальної та системної біології в Стенфорді разом із Марком Девісом. Він синтезував працю всього життя в окрему — і дещо протилежну — ідею розробки універсальних вакцин. І команда, яку він зібрав, не менш надзвичайна. Наприклад, директор з маркетингу Centivax, Джеррі Садофф, є одним із найплідніших розробників вакцин. Для нас велика честь брати участь у синдикаті серії А для Centivax. За останнє десятиліття Джейк і його команда зібрали всеосяжний пакет доклінічних даних для своєї програми боротьби з грипом. Єдиний експеримент, що залишився, полягає в тому, щоб подивитися, чи це перекладається на людей, що і є підставою цього раунду. Якщо ця технологія буде успішною, вплив буде величезним. І для розповіді про незламність цієї команди знадобиться окрема книга в біотехнологічному каноні.