کشف دارو چالش‌های قابل توجهی را به همراه دارد؛ بر اساس گفته دیوید پاردو، شیمیدان محاسباتی در اووتک، تنها حدود ۵۰۰ از ۷۰۰۰ بیماری نادر گزینه‌های درمانی در قرن گذشته توسعه داده‌اند. طبیعت طولانی و هزینه‌بر این فرایند جایی است که هوش مصنوعی (AI) می‌تواند راه‌حل‌هایی ارائه دهد. AI می‌تواند ساختارهای سه‌بعدی و ویژگی‌های اتمی مولکول‌های دارویی بالقوه را یکپارچه کند تا سازگاری آنها با پروتئین‌های هدف را بررسی کند و احتمالاً اثربخشی دارو را افزایش داده و اهداف جدیدی را شناسایی کند در حالی که محیط بیولوژیکی پیچیده درون بیماران را نیز مد نظر قرار می‌دهد. یک حجم زیاد از داده‌های بیولوژیک که در سطح جهانی تولید می‌شود، پایه‌ای قوی برای کاربردهای AI در توسعه دارو فراهم می‌کند. با این حال، کیفیت داده‌ها همچنان یک مشکل حیاتی باقی مانده است، که معمولاً با روش‌های آزمایشگاهی ناهماهنگ و تمایل به انتشار تنها نتایج مطلوب، مختل می‌شود. در حالی که برخی معتقدند افزایش حجم داده‌ها این مشکلات را حل خواهد کرد، بسیاری از کارشناسان بر نیاز به همکاری بین دانشگاه و صنعت برای افزایش کیفیت داده‌ها برای مدل‌های AI تأکید می‌کنند. توصیه‌های کلیدی شامل استانداردسازی گزارش‌دهی و روش‌شناسی برای آزمایشات به منظور کاهش ناهماهنگی‌ها بین داده‌های آزمایشگاه‌های مختلف است.

ابتکاراتی مانند اطلس سلول‌های انسانی هدف دارند تا مجموعه داده‌های متناسب برای تجزیه و تحلیل AI ایجاد کنند، در حالی که پروژه Polaris در حال توسعه دستورالعمل‌هایی برای بهبود شفافیت و کیفیت داده‌ها است. اضافه بر این،偏向ی مشهود به سمت انتشار تنها نتایج موفق وجود دارد که مدل‌های AI را به سمت نتایج مثبت منحرف می‌کند. پرداختن به این موضوع از طریق ابتکاراتی که هم نتایج مثبت و هم منفی را گردآوری می‌کنند، برای درک دقیق‌تر از اثربخشی و ایمنی داروها ضروری است. پروژه‌هایی مانند ابتکار "اجتناب-وم" به دنبال ارائه بینش‌های ارزشمند در مورد عوامل PFME مرتبط با توسعه دارو هستند. علاوه بر این، شرکت‌های داروسازی معمولاً داده‌های گسترده‌ای دارند اما reluctant به اشتراک‌گذاری آن‌ها هستند که موجب محدودیت منافع بالقوه برای AI می‌شود. پروژه‌های همکاری مانند Melloddy نشان داده‌اند که یادگیری فدرال می‌تواند دقت مدل را بهبود بخشد در حالی که اطلاعات مالکیتی را حفظ می‌کند. به طور خلاصه، بهبود کشف دارو از طریق AI نیاز به استانداردسازی بهتر داده‌ها، شناخت ارزش نتایج منفی و افزایش همکاری در به اشتراک‌گذاری داده‌ها دارد. با پرداختن به این چالش‌ها، امیدواریم که کارایی و اثربخشی توسعه دارو به طور قابل توجهی افزایش یابد.