có hai dạng: xác định bệnh và hiểu rõ những tác dụng phụ tiềm năng. Trong
việc lựa chọn các phân tử để thử nghiệm, công ty cần xác định những sự trả
giá của việc xác định bệnh và chi phí cho những tác dụng phụ. Như Heifets
nhận xét, “Bạn chấp nhận những tác dụng phụ của hoá trị hơn là kem trị
mụn.”
Máy dự đoán của Atomwise học từ dữ liệu về khả năng kết dính. Tính đến
tháng 7 năm 2017, có đến 38 triệu điểm dữ liệu công khai về khả năng kết
dính cộng thêm nhiều thông tin nó mua hoặc tự học. Mỗi điểm dữ liệu bao
gồm những đặc tính của phân tử và protein cũng như sự đánh giá khả năng
kết dính giữa các phân tử và protein. Khi Atomwise đưa ra nhiều đề xuất
hơn, nó có thể nhận thêm nhiều phản hồi từ khách hàng, vậy nên máy dự
đoán sẽ tiếp tục được cải thiện.
Bằng cách sử dụng máy này, với dữ liệu về các đặc tính của protein,
Atomwise có thể dự đoán những phần tử nào có khả năng kết dính cao
nhất. Nó cũng có thể lấy dữ liệu về những đặc tính của protein và dự đoán
những phần tử nào chưa từng được sản xuất nhưng có khả năng kết dính
cao nhất.
Cách để phân tích việc lựa chọn phần tử của Atomwise là điền vào canvas
(xem hình 13-2). Điều này đồng nghĩa với việc xác định những điều sau:
• Hành động: Bạn đang cố làm điều gì? Với Atomwise là để thử nghiệm
các phần tử giúp chữa trị hoặc phòng ngừa bệnh.
• Dự đoán: Bạn cần biết điều gì để đưa ra quyết định? Atomwise dự đoán
khả năng kết dính của những phân tử và protein tiềm năng.
• Đánh giá: Làm thế nào để đánh giá các kết quả và sai sót khác nhau?
Atomwise và khách hàng của họ đặt tiêu chí này nhắm đến sự quan trọng
của việc xác định bệnh và những chi phí liên quan của những tác dụng phụ
tiềm năng.
