Objevování léků přináší značné výzvy; podle Davida Pardoea, výpočetního chemika z Evotecu, má pouze asi 500 z 7 000 vzácných chorob možnosti léčby, které byly vyvinuty v posledním století. Dlouhá a nákladná povaha tohoto procesu je oblastí, kde může umělá inteligence (AI) nabídnout řešení. AI může integrovat 3D struktury a atomové vlastnosti potenciálních molekul léků, aby prozkoumala jejich kompatibilitu s cílovými proteiny, čímž může zvýšit účinnost léků a identifikovat nové cíle, přičemž bere v úvahu složité biologické prostředí uvnitř pacientů. Bohatství biologických dat generovaných po celém světě tvoří silný základ pro aplikace AI ve vývoji léků. Kvalita dat však nadále zůstává kritickým problémem, který často brání nekonzistentní experimentální metody a tendence publikovat pouze příznivé výsledky. Zatímco někteří se domnívají, že zvýšení objemu dat vyřeší tyto problémy, mnoho odborníků zdůrazňuje potřebu spolupráce mezi akademickou sférou a průmyslem za účelem zlepšení kvality dat pro modely AI. Hlavní doporučení zahrnují standardizaci reportování a metodologií pro experimenty, aby se snížily nesrovnalosti mezi daty z různých laboratoří.

Iniciativy jako Human Cell Atlas mají za cíl vytvořit konzistentní datové soubory pro analýzu AI, zatímco projekt Polaris vyvíjí pokyny pro zlepšení transparentnosti a kvality dat. Dále existuje znatelná tendence publikovat pouze úspěšné výsledky, což zkresluje modely AI k pozitivním výsledkům. Je nezbytné se tímto problémem zabývat prostřednictvím iniciativ, které shromažďují jak pozitivní, tak negativní výsledky, pro přesnější pochopení účinnosti a bezpečnosti léků. Projekty jako iniciativa "avoid-ome" mají za cíl poskytnout cenné poznatky o faktorech PFME, které jsou relevantní pro vývoj léků. Kromě toho farmaceutické společnosti často drží rozsáhlá data, ale neochotně je sdílejí, což omezuje potenciální přínosy pro AI. Spolupráce jako projekt Melloddy prokázala, že federované učení může zlepšit přesnost modelu a zároveň chránit důvěrné informace. Stručně řečeno, zlepšení objevování léků prostřednictvím AI bude vyžadovat lepší standardizaci dat, uznání hodnoty negativních výsledků a zvýšenou spolupráci při sdílení dat. Řešením těchto výzev je naděje na výrazné zvýšení efektivity a účinnosti vývoje léků.