Otkrivanje lijekova predstavlja značajne izazove; prema Davidu Pardoeu, računalnom kemičaru u Evotecu, samo oko 500 od 7. 000 rijetkih bolesti ima opcije liječenja razvijene u posljednjem stoljeću. Dugotrajan i skup proces je područje na kojem bi umjetna inteligencija (AI) mogla ponuditi rješenja. AI može integrirati 3D strukture i atomske karakteristike potencijalnih molekula lijekova kako bi ispitala njihovu kompatibilnost s ciljnim proteinima, potencijalno poboljšavajući učinkovitost lijekova i identificirajući nove ciljeve, istovremeno uzimajući u obzir složeno biološko okruženje unutar pacijenata. Obimni biološki podaci generirani širom svijeta predstavljaju čvrstu osnovu za primjenu AI u razvoju lijekova. Međutim, kvaliteta podataka ostaje kritično pitanje, često ometana nekonzistentnim eksperimentalnim metodama i tendencijom objavljivanja samo povoljnih rezultata. Dok neki vjeruju da će povećanje volumena podataka riješiti ove probleme, mnogi stručnjaci naglašavaju potrebu za suradnjom između akademske zajednice i industrije kako bi se poboljšala kvaliteta podataka za AI modele. Ključne preporuke uključuju standardizaciju izvještavanja i metodologije za eksperimentiranje kako bi se smanjile razlike između podataka iz različitih laboratorija.

Inicijative poput Human Cell Atlas imaju za cilj stvaranje dosljednih skupova podataka za AI analizu, dok projekt Polaris razvija smjernice za poboljšanje transparentnosti i kvalitete podataka. Osim toga, uočava se očigledna pristranost prema objavljivanju samo uspješnih rezultata, što iskrivljuje AI modele prema pozitivnim ishodima. Rješavanje ovog problema kroz inicijative koje okupljaju i pozitivne i negativne rezultate ključno je za točnije razumijevanje učinkovitosti i sigurnosti lijekova. Projekti poput inicijative "avoid-ome" imaju za cilj pružiti vrijedne uvide o PFME faktorima relevantnim za razvoj lijekova. Štoviše, farmaceutske tvrtke često posjeduju opsežne podatke, ali su nevoljne dijeliti ih, čime se ograničavaju potencijalne koristi za AI. Suradnički projekti poput Melloddy dokazali su da federativno učenje može poboljšati točnost modela, dok istovremeno štiti vlasničke informacije. U zaključku, poboljšanje otkrivanja lijekova kroz AI zahtijevat će poboljšanu standardizaciju podataka, prepoznavanje vrijednosti negativnih rezultata i povećanu suradnju u dijeljenju podataka. Rješavanjem tih izazova, nada se značajnom povećanju učinkovitosti i efikasnosti razvoja lijekova.