El descobriment de medicaments presenta grans reptes; segons David Pardoe, un químic computacional d’Evotec, només aproximadament 500 de les 7. 000 malalties rares tenen opcions de tractament desenvolupades en l'últim segle. La naturalesa llarga i costosa d’aquest procés és on la intel·ligència artificial (IA) pot oferir solucions. La IA pot integrar les estructures en 3D i les característiques atòmiques de molècules de medicaments potencials per examinar la seva compatibilitat amb proteïnes objectiu, potencialment millorant l'eficàcia del medicament i identificant nous objectius, tenint en compte el complex entorn biològic dels pacients. Una gran quantitat de dades biològiques generades a nivell mundial estableix una base sòlida per a les aplicacions d’IA en el desenvolupament de medicaments. Tanmateix, la qualitat de les dades continua sent un problema crític, sovint obstaculitzat per mètodes experimentals inconsistents i una tendència a publicar només resultats favorables. Mentre que alguns creuen que l'augment del volum de dades resoldrà aquests problemes, molts experts subratllen la necessitat de col·laboració entre l'acadèmia i la indústria per millorar la qualitat de les dades per als models d’IA. Les recomanacions clau inclouen l'estandardització de la informació i les metodologies per als experiments per reduir les discrepàncies entre les dades de diferents laboratoris.

Iniciatives com el Human Cell Atlas tenen com a objectiu crear conjunts de dades consistents per a l’anàlisi d’IA, mentre que el projecte Polaris està desenvolupant directrius per millorar la transparència i qualitat de les dades. A més, hi ha un biaix notable cap a la publicació només de resultats exitosos, la qual cosa desvia els models d’IA cap a resultats positius. Abordar això mitjançant iniciatives que compilem tant resultats positius com negatius és essencial per a una comprensió més precisa de l'eficàcia i seguretat dels medicaments. Projectes com la iniciativa “avoid-ome” pretenen proporcionar informació valuosa sobre factors PFME rellevants per al desenvolupament de medicaments. A més, les empreses farmacèutiques sovint tenen dades àmplies però són reticents a compartir-les, limitant els beneficis potencials per a la IA. Projectes col·laboratius com Melloddy han demostrant que l'aprenentatge federat pot millorar l'exactitud dels models mentre es preserva la informació propietària. En resum, millorar el descobriment de medicaments a través de la IA requerirà una millor estandardització de les dades, el reconeixement del valor dels resultats negatius i un augment de la col·laboració en la compartició de dades. En afrontar aquests reptes, l'esperança és elevar significativament l'eficiència i l'eficàcia del desenvolupament de medicaments.