Откритията на лекарства представят значителни предизвикателства; според Дейвид Пардо, компютърен химик в Evotec, само около 500 от 7000 редки заболявания имат разработени опции за лечение през последния век. Дългият и ск costly характер на този процес е мястото, където изкуственият интелект (ИИ) може да предложи решения. ИИ може да интегрира 3D структури и атомни характеристики на потенциални молекули лекарства, за да изследва тяхната съвместимост с целевите протеини, потенциално повишавайки ефикасността на лекарствата и идентифицирайки нови цели, като взема предвид сложната биологична среда в пациентите. Богатството от биологични данни, генерирани по целия свят, създава силна основа за приложения на ИИ в разработването на лекарства. Въпреки това, качеството на данните остава критичен проблем, често възпрепятстван от несъответстващи експериментални методи и тенденцията да се публикуват само благоприятни резултати. Докато някои вярват, че увеличаването на обема на данните ще реши тези проблеми, много експерти подчертават необходимостта от сътрудничество между академичните среди и индустрията, за да се подобри качеството на данните за модели на ИИ. Ключовите препоръки включват стандартизиране на отчитането и методологията за експерименти, за да се намалят несъответствията между данните от различни лаборатории.

Инициативи като Human Cell Atlas целят да създадат последователни набори от данни за анализ на ИИ, докато проектът Polaris разработва указания за подобряване на прозрачността и качеството на данните. Освен това, има забележим пристрастие към публикуване само на успешни резултати, което изкривява моделите на ИИ към положителни резултати. Адресирането на това чрез инициативи, които събират както позитивни, така и негативни резултати, е от съществено значение за по-точно разбиране на ефикасността и безопасността на лекарствата. Проекти като инициативата “avoid-ome” целят да предоставят ценна информация за PFME факторите, свързани с разработването на лекарства. Освен това, фармацевтичните компании често разполагат с обширни данни, но са неохотни да ги споделят, което ограничава потенциалните ползи за ИИ. Колаборативни проекти като Melloddy са демонстрирали, че федеративното обучение може да подобри точността на моделите, докато все още защитава собственическата информация. В обобщение, подобряването на откритията на лекарства чрез ИИ ще изисква подобрено стандартизиране на данните, признаване на стойността на негативните резултати и увеличаване на сътрудничеството в споделянето на данни. Като се адресират тези предизвикателства, надеждата е значително да се повиши ефективността и ефикасността на разработването на лекарства.