Vi una charla esta semana sobre lo más alucinante: los cultivos bacterianos en la piel inducen respuestas inmunes. En el laboratorio de Michael Fischbach, demostraron la inmunización de ratones contra el tétanos simplemente aplicando una versión modificada de un cultivo de estafilococos inofensivo en su cabeza. A diferencia de la vacunación intramuscular, los niveles de anticuerpos no parecen demostrar ninguna disminución, incluso después de un año. Esto es científicamente muy interesante (¿pueden las vacunas ser simplemente ... ¿cremas?), y un recordatorio asombroso de lo mucho que aún no sabemos. Podríamos haber descubierto esto hace décadas, pero de alguna manera nunca nos dimos cuenta hasta ahora.

¡Se corre la voz! @packyM y yo estábamos encantados de ayudar a @Atelfo de semillas, @okaymaged y el equipo de @Convokebio mientras estaba en @notboringco Escritores que invierten en escritores 🤝🧬 Entusiasmado con esta visión.

Creo que uno de los aspectos más prometedores de la IA para el descubrimiento de fármacos es el beneficio de la multimodalidad y la capacidad de construir modelos para muchas tareas distintas. En su ensayo de 2012 que describe la Ley de Eroom (la eficiencia de investigación y desarrollo exponencialmente decreciente del descubrimiento de fármacos), uno de los "diagnósticos" de Jack Scannell para el problema fue el sesgo de "investigación básica: fuerza bruta". Tenemos una tendencia a sobreestimar el impacto de escalar las tecnologías de descubrimiento en etapa inicial. A menudo, estos ensayos tienen una baja "validez predictiva" de éxito clínico. Una forma en que los modelos de IA ayudan a resolver este problema es que pueden incorporar predicciones más relevantes desde el punto de vista de la traducción en las primeras etapas de descubrimiento. Creo que esta es la genialidad de la visión de Brandon y Alex en Axiom. Al reducir el costo, el tiempo y la fricción asociados con las pruebas de toxicidad, se puede extraer mucho antes en el proceso de descubrimiento, tan pronto como tenga una molécula. Esta es una de las desviaciones más radicales del aprendizaje automático molecular en relación con los primeros esfuerzos de química computacional. Se puede tener en cuenta una gran cantidad de criterios de descubrimiento diferentes en una sola pasada hacia adelante.