Notice bibliographique
Résumé
In the world of drug discovery and clinical trials, drug formulation can make or break a product’s success, yet its role often goes underappreciated, says Christine Allen, cofounder and CEO of Intrepid Labs, a Toronto-based start-up that has emerged from stealth. Her company has secured $11 million in preseed and seed funding to rethink drug formulation with the use of robotics and artificial intelligence (AI). Drug formulation refers to the science of mixing active ingredients with excipients, the inactive ingredients that enhance a drug’s solubility and stability and enable its safe delivery into tissues. “I think of the drug as a passenger and formulation as a plane. You need the plane to take you wherever you want to go,” Allen says. Yet the field of drug formulation is often overlooked, she says. “I would say that in 50% of cases, the drug is not well formulated before it enters clinical development.”One reason the field hasn’t seen more innovation may be that it is impossible to explore every excipient combination, Allen says. “There could be over 10 billion combinations of excipients,” she says. “I think that’s why we just stick with what we know and don’t want to reinvent the wheel; it takes too much time.”The idea for Intrepid emerged during Allen’s interactions with colleagues at the University of Toronto, including Alán Aspuru-Guzik, a well-known researcher in AI and chemistry. Although Allen cofounded the company with them in 2024, the team had begun working on its AI platform 6 years before.The firm’s proprietary
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,178 | 0,073 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».