Tin đã được lan truyền! @packyM và tôi rất vui khi được hỗ trợ @Atelfo, @okaymaged và đội ngũ @Convokebio trong thời gian tôi ở @notboringco. Nhà văn đầu tư vào nhà văn 🤝🧬 Hào hứng với tầm nhìn này.

Tôi nghĩ một trong những khía cạnh hứa hẹn nhất của AI trong việc phát hiện thuốc là lợi ích của đa phương thức và khả năng xây dựng các mô hình cho nhiều nhiệm vụ khác nhau. Trong bài tiểu luận năm 2012 của mình phác thảo Luật Eroom (hiệu quả R&D của việc phát hiện thuốc đang giảm dần theo cấp số nhân), một trong những "chẩn đoán" của Jack Scannell cho vấn đề này là thiên kiến 'nghiên cứu cơ bản – sức mạnh thô bạo'. Chúng ta có xu hướng đánh giá quá cao tác động của việc mở rộng các công nghệ phát hiện giai đoạn đầu. Thường thì, những thử nghiệm này có "độ chính xác dự đoán" về thành công lâm sàng thấp. Một cách mà các mô hình AI giúp giải quyết vấn đề này là chúng có thể tích hợp nhiều dự đoán có liên quan đến chuyển giao hơn vào những giai đoạn đầu tiên của quá trình phát hiện. Tôi nghĩ đây là sự thiên tài trong tầm nhìn của Brandon và Alex tại Axiom. Bằng cách giảm chi phí, thời gian và sự cản trở liên quan đến việc thử nghiệm độc tính, nó có thể được thực hiện sớm hơn nhiều trong quá trình phát hiện—ngay khi bạn có một phân tử. Đây là một trong những sự thay đổi mang tính cách mạng nhất của học máy phân tử so với những nỗ lực hóa học tính toán sớm. Một số lượng lớn các tiêu chí phát hiện khác nhau có thể được tính đến trong một lần truyền tiến.

Cần gì để một máy tính học các quy tắc ghép cặp RNA? Mọi người đang đào tạo các mô hình ngôn ngữ lớn để dự đoán cấu trúc RNA. Một số mô hình này có hàng trăm triệu tham số. Một kết quả sớm thú vị là những mô hình này học các quy tắc ghép cặp Watson-Crick-Franklin trực tiếp từ dữ liệu. Một nhóm nghiên cứu tại Harvard đã quyết định xem mô hình nhỏ nhất có thể đạt được kết quả này là gì. Họ đã đào tạo một mô hình xác suất nhỏ với chỉ 21 tham số bằng cách sử dụng phương pháp giảm dần độ dốc. Với chỉ 50 chuỗi RNA—không có cấu trúc tương ứng—các quy tắc ghép cặp sẽ xuất hiện sau chỉ vài vòng đào tạo. Vì vậy, câu trả lời cho câu hỏi ban đầu của họ là "ít hơn nhiều so với bạn nghĩ" để học loại mô hình này. Tôi không nghĩ điều này có nghĩa là các nỗ lực đào tạo quy mô lớn là ngu ngốc hoặc sai lầm. Nhưng kết quả này gợi ý rằng còn rất nhiều hiệu quả và hiệu suất có thể được khai thác từ sự đổi mới trong kiến trúc. Có rất nhiều cấu trúc cơ bản trong ngôn ngữ của sinh học.

Thật tuyệt vời khi có thông tin về Series A của Tahoe. @nalidoust và @iamjohnnyyu là một cặp đôi CEO/CSO kỹ thuật tuyệt vời. @genophoria và @kevansf đều là những nhà khoa học xuất sắc. Đây là một đội ngũ mơ ước. Quy mô tham vọng để nhắm đến 1 *tỷ* tế bào từ nhiều nền tảng bệnh nhân khác nhau gần như là điều vô lý. Nhưng họ đang xây dựng cơ sở hạ tầng để biến điều đó thành hiện thực. Và tầm nhìn thương mại cũng mạnh mẽ không kém. Tôi không thể chờ đợi để biết thêm về câu chuyện của Tahoe sẽ sớm được chia sẻ. Thật là một vinh dự khi được hợp tác với đội ngũ này tại Amplify.

Trong sinh học, các quy luật tỷ lệ hoạt động... ...cho đến khi chúng không còn hoạt động nữa. Đối với dự đoán độ fit, hiệu suất của mô hình ngôn ngữ protein tăng lên với kích thước mô hình cho đến khi đạt đến mức cao nhất và sau đó giảm xuống. Khi tổn thất đào tạo (NLL) giảm, các mô hình bắt đầu dự đoán xác suất chuỗi cao hơn và ít tương quan hơn với độ fit cơ bản. Ví dụ 10,001 về lý do tại sao AI cho sinh học cần xem xét cẩn thận các phân phối cơ bản, mục tiêu đào tạo và hàng chục chi tiết khác. Giao điểm là phong phú nhưng đòi hỏi công việc cẩn thận giữa cả hai lĩnh vực.

Sau nhiều tháng làm việc chăm chỉ, chúng tôi tại Decade đang phát triển! Chúng tôi đang tuyển dụng một nhà sinh hóa protein để giúp chúng tôi cải thiện một cách triệt để việc điều trị ung thư. Nếu bạn thích tham gia sớm và tạo ra ảnh hưởng, chúng tôi rất muốn nghe từ bạn! Chi tiết ở đây:

Mệt mỏi: máy tính dựa trên silicon Kết nối (theo nghĩa đen): máy tính nấm Từ "Memristor bền vững từ mycelium Shiitake cho điện tử sinh học tần số cao" Ý tưởng là sử dụng tín hiệu điện thích ứng trong shiitake (mà tôi không biết là tồn tại) như một sự thay thế cho các cơ quan thần kinh để ứng dụng tính toán neuromorphic. "Những phát hiện của chúng tôi cho thấy rằng máy tính nấm có thể cung cấp các nền tảng có thể mở rộng, thân thiện với môi trường cho các nhiệm vụ neuromorphic, kết nối điện tử sinh học và tính toán phi truyền thống." Chắc chắn 100% là một trong những ý tưởng nghiên cứu "phi truyền thống" mà tôi đã gặp gần đây...

Không bao giờ ngừng thổi bay tâm trí của tôi rằng $NVDA có giá trị hơn *tất cả* trong số 20 dược phẩm hàng đầu cộng lại. Chúng tôi chỉ đang làm xước bề mặt của việc thiết kế và phân phối hiệu quả thuốc và chẩn đoán. Còn rất nhiều thứ để xây dựng!

Chúng tôi đã nói chuyện với @ElliotHershberg (Đối tác @AmplifyPartners) về những thách thức trong công nghệ khoa học đời sống. "Đã có một cảm giác chung rằng bạn có thể đạt được một lượng lớn tiến bộ với dữ liệu mới và công nghệ mới trong khoa học đời sống." "Thực sự hóa ra rằng thực sự rất khó để chữa khỏi bệnh ung thư." "Có những đột phá như giải Nobel cho Alphafold. AI đang tạo ra những tác động thực sự đối với các vấn đề sinh học khó khăn." "Giải trình tự DNA đang giảm chi phí nhanh hơn Định luật Moore." "Mọi người đang bắt đầu mở rộng mô hình và nó trở nên ấn tượng nhanh chóng."

Điều gì sẽ xảy ra nếu vắc-xin cúm thực sự hiệu quả? Và tôi có ý nói *thực sự* hiệu quả—đến mức mà mối quan hệ dịch tễ học của nhân loại với virus cúm trở thành lịch sử, không phải là một thách thức sức khỏe toàn cầu đang diễn ra. Điều gì sẽ xảy ra nếu chúng ta có thể giảm thiểu *tất cả* các tác nhân gây bệnh đang biến đổi nhanh chóng? Đó là lý do tại sao Jake Glanville thành lập Centivax. Sứ mệnh cuộc đời của anh là "hoàn thành những gì Edward Jenner đã bắt đầu" bằng cách phát triển các loại vắc-xin toàn cầu giúp tăng tốc quá trình chuyển đổi của nhân loại sang một tương lai hậu tác nhân gây bệnh. Jake chính xác là kiểu Nhà sáng lập Kỹ thuật mà chúng tôi tìm kiếm để hợp tác tại Amplify. Anh là một trong những người tiên phong đầu tiên trong thiết kế kháng thể tính toán tại Pfizer, trước khi trở thành một trong những sinh viên tốt nghiệp đầu tiên trong lĩnh vực Sinh học Tính toán & Hệ thống tại Stanford với Mark Davis. Anh đã tổng hợp một đời làm việc thành một ý tưởng rõ ràng—và có phần trái ngược—về việc phát triển các loại vắc-xin toàn cầu. Và đội ngũ mà anh đã tập hợp cũng thật phi thường. Ví dụ, Giám đốc Y tế của Centivax, Jerry Sadoff, là một trong những nhà phát triển vắc-xin năng suất nhất còn sống. Thật sự là một đặc ân cho chúng tôi khi tham gia vào liên minh Series A cho Centivax. Trong suốt thập kỷ qua, Jake và đội ngũ đã tập hợp một gói dữ liệu tiền lâm sàng toàn diện cho chương trình cúm hàng đầu của họ. Thí nghiệm duy nhất còn lại là xem liệu điều này có thể chuyển giao cho con người hay không, điều này là những gì vòng này bảo lãnh. Nếu công nghệ này thành công, tác động sẽ rất lớn. Và câu chuyện về sự kiên trì của đội ngũ này sẽ cần một cuốn sách riêng trong bộ sách về công nghệ sinh học.