Otkrivanje lijekova suočava se s značajnim izazovima; prema Davidu Pardoeu, računalnom kemičaru u Evotecu, samo oko 500 od 7. 000 rijetkih bolesti ima opcije liječenja razvijene u prošlom stoljeću. Dugotrajan i skup proces je područje gdje bi umjetna inteligencija (UI) mogla ponuditi rješenja. UI može integrirati 3D strukture i atomske karakteristike potencijalnih molekula lijekova kako bi ispitala njihovu kompatibilnost s ciljnim proteinima, potencijalno poboljšavajući učinkovitost lijekova i prepoznajući nove ciljeve, uzimajući u obzir složeno biološko okruženje unutar pacijenata. Obilje bioloških podataka generiranih širom svijeta predstavlja snažnu osnovu za primjenu UI u razvoju lijekova. Međutim, kvalitet podataka ostaje kritično pitanje, često ometeno neusklađenim eksperimentalnim metodama i sklonošću objavljivanju samo povoljnih rezultata. Dok neki smatraju da će povećanje volumena podataka riješiti te probleme, mnogi stručnjaci naglašavaju potrebu za saradnjom između akademije i industrije kako bi se poboljšala kvaliteta podataka za modele UI. Ključne preporuke uključuju standardizaciju izvještavanja i metodologija za eksperimentisanje kako bi se smanjile razlike između podataka iz različitih laboratorija.

Inicijative poput Atlasa ljudskih stanica imaju za cilj stvaranje dosljednih skupova podataka za analizu pomoću UI, dok projekt Polaris razvija smjernice za poboljšanje transparentnosti i kvalitete podataka. Pored toga, primećen je izražen pristranost prema objavljivanju samo uspješnih rezultata, što iskrivljuje modele UI prema pozitivnim ishodima. Rješavanje ovoga kroz inicijative koje prikupljaju i pozitivne i negativne rezultate je ključno za tačnije razumijevanje učinkovitosti i sigurnosti lijekova. Projekti poput inicijative “avoid-ome” imaju za cilj pružanje vrijednih uvida o PFME faktorima relevantnim za razvoj lijekova. Štaviše, farmaceutske kompanije često posjeduju opsežne podatke, ali nevoljno ih dijele, što ograničava potencijalne koristi za UI. Saradnički projekti poput Melloddy su pokazali da federativno učenje može poboljšati tačnost modela dok istovremeno štiti vlasničke informacije. U sažetku, poboljšanje otkrivanja lijekova putem UI zahtijeva poboljšanu standardizaciju podataka, priznavanje vrijednosti negativnih rezultata i povećanu saradnju u dijeljenju podataka. Rješavanjem ovih izazova, nada se da će se značajno povećati efikasnost i učinkovitost razvoja lijekova.