Откривањето на лекови претставува значајни предизвици; според Дејвид Пардо, компјутерски хемичар во Evotec, само околу 500 од 7. 000 ретки болести имаат развиени опции за третман во последниот век. Долгиот и скап карактер на овој процес е онаму каде вештачката интелигенција (ВИ) може да понуди решенија. ВИ може да интегрира 3D структури и атомски карактеристики на потенцијалните молекули на лекови за да го испита нивното усогласување со целните протеини, потенцијално подобрувајќи ја ефикасноста на лековите и идентификувајќи нови цели, истовремено имајќи во предвид комплексната биолошка средина во пациентите. Обилството биолошки податоци генерирани во светот поставува силна основа за апликации на ВИ во развојот на лекови. Меѓутоа, квалитетот на податоците останува критично прашање, често опструирано од неконзистентни експериментални методи и тенденцијата да се објавуваат само поволни резултати. Додека некои веруваат дека зголемувањето на обемот на податоците ќе ги реши овие проблеми, многу експерти нагласуваат потреба од соработка помеѓу академијата и индустријата за подобрување на квалитетот на податоците за ВИ модели. Клучни препораки вклучуваат стандарденizација на известувањето и методологиите за експерименти за да се намалат несоответствата помеѓу податоците од различни лаборатории.

Иницијативи како Хуманскиот клеточен атлас имаат за цел да создадат конзистентни сетови на податоци за анализа на ВИ, додека проектот Polaris развива насоки за подобрување на транспарентноста и квалитетот на податоците. Дополнително, постои забележлив пристрасност кон објавување само на успешни резултати, што го искривува ВИ моделите кон позитивни исходи. Справувањето со ова преку иницијативи што компилираат и позитивни и негативни резултати е од суштинско значење за поточна разберување на ефикасноста и безбедноста на лековите. Проекти како иницијативата „avoid-ome“ имаат за цел да понудат вредни увид на PFME факторите релевантни за развојот на лекови. Покрај тоа, фармацевтските компании често држат обилни податоци, но се воздржуваат да ги споделат, ограничувајќи ги потенцијалните бенефиции за ВИ. СоCollaborative проекти како Melloddy покажале дека федералното учење може да ја подобри точноста на моделите, истовремено заштитувајќи ги сопствените информации. Во заклучок, подобрувањето на откривањето на лекови преку ВИ ќе бара подобрена стандардизация на податоците, признавање на вредноста на негативните резултати и зголемена соработка во споделување на податоци. Со справувањето со овие предизвици, надежта е значително да се зголеми ефикасноста и ефикасноста на развојот на лекови.