Så et foredrag denne uken om det mest trippete: bakteriekulturer på huden induserer immunresponser. På Michael Fischbachs laboratorium demonstrerte de immunisering av mus mot stivkrampe ved bare å duppe en konstruert versjon av en ufarlig stafylokokkkultur på hodet. I motsetning til intramuskulær vaksinasjon, ser det ikke ut til at antistoffnivåene viser noen avtagende, selv etter et år. Dette er både vitenskapelig veldig interessant (kan vaksiner bare være ... kremer?), og en fantastisk påminnelse om hvor mye vi fortsatt ikke vet. Vi kunne ha oppdaget dette for flere tiår siden, men på en eller annen måte aldri lagt merke til det før nå.

Ordet er ute! @packyM og jeg var gira på å hjelpe til med å så @Atelfo, @okaymaged og @Convokebio-mannskapet mens jeg var på @notboringco Forfattere som investerer i forfattere 🤝🧬 Begeistret for denne visjonen.

Jeg tror et av de mest lovende aspektene ved AI for legemiddeloppdagelse er fordelen med multimodalitet og muligheten til å bygge modeller for mange forskjellige oppgaver. I sitt essay fra 2012 som skisserte Erooms lov (legemiddeloppdagelsens eksponentielt synkende FoU-effektivitet), var en av Jack Scannells «diagnoser» for problemet «grunnleggende forskning – brute force»-skjevheten. Vi har en tendens til å overvurdere effekten av skalering av tidlige oppdagelsesteknologier. Ofte har disse analysene lav "prediktiv validitet" av klinisk suksess. En måte AI-modeller bidrar til å løse dette problemet på, er at de kan inkorporere mer translasjonsrelevante prediksjoner i de aller tidligste stadiene av oppdagelsen. Jeg tror dette er det geniale i Brandon og Alex sin visjon hos Axiom. Ved å redusere kostnadene, tiden og friksjonen forbundet med toksisitetstesting, kan den trekkes mye tidligere i oppdagelsesprosessen – så snart du har et molekyl. Dette er en av de mest radikale avvikene fra molekylær maskinlæring i forhold til tidlig beregningskjemiinnsats. Et stort antall forskjellige oppdagelseskriterier kan gjøres rede for i en enkelt foroverpassering.