Vaistų atradimas kelia reikšmingų iššūkių; pasak David Pardoe, kompiuterinės chemijos eksperto iš Evotec, tik apie 500 iš 7 000 retų ligų turi gydymo galimybes, sukurtas per pastarąjį šimtmetį. Ilgas ir brangus šio proceso pobūdis yra sritis, kurioje dirbtinis intelektas (DI) gali pasiūlyti sprendimų. DI gali integruoti 3D struktūras ir atomines savybes potencialių vaistų molekulių, kad išnagrinėtų jų suderinamumą su tiksliniais baltymais, galbūt padidindamas vaisto efektyvumą ir identifikuodamas naujus taikinius, atsižvelgdamas į sudėtingą biologinę aplinką pacientuose. Gausių biologinių duomenų, generuojamų visame pasaulyje, bazė sudaro tvirtą pagrindą DI taikymams vaistų kūrime. Tačiau duomenų kokybė išlieka svarbi problema, dažnai trukdoma nesuderintų eksperimentinių metodų ir tendencijos publikuoti tik palankius rezultatus. Nors kai kurie mano, kad didinant duomenų tūrį bus išspręstos šios problemos, daugelis ekspertų pabrėžia bendradarbiavimo tarp akademijos ir pramonės poreikį, siekiant pagerinti duomenų kokybę DI modeliams. Pagrindiniai rekomendacijos apima ataskaitų ir metodologijų standartizavimą eksperimentams, siekiant sumažinti neatitikimus tarp įvairių laboratorijų duomenų.

Iniciatyvos, tokios kaip Žmogaus ląstelių atlasas, siekia sukurti nuoseklius duomenų rinkinius DI analizei, o Polaris projektas rengia gaires duomenų skaidrumui ir kokybei gerinti. Be to, pastebima akivaizdi šališkumas, kai skelbiami tik sėkmingi rezultatai, kas iškraipo DI modelius link teigiamų rezultatų. Šią problemą būtina spręsti iniciatyvomis, kurios apima tiek teigiamus, tiek neigiamus rezultatus, kad būtų geriau suprasta vaisto efektyvumas ir saugumas. Tokios iniciatyvos kaip "avoid-ome" siekia suteikti vertingų įžvalgų apie PFME faktorius, svarbius vaistų kūrimui. Be to, farmacijos bendrovės dažnai turi didelių duomenų, tačiau nenori jų dalytis, ribodamos galimas naudas DI. Bendradarbiavimo projektai, tokie kaip Melloddy, parodė, kad federuotas mokymasis gali pagerinti modelių tikslumą, tuo pačiu apsaugant komercinę informaciją. Apibendrinant, vaistų atradimo proceso tobulinimas naudojant DI reikalauja geresnės duomenų standartizacijos, neigiamų rezultatų vertės pripažinimo ir didesnio bendradarbiavimo duomenų dalijimosi srityje. Sprendžiant šiuos iššūkius, viltis yra žymiai padidinti vaistų kūrimo efektyvumą ir efektyvumą.