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.