Penemuan ubat menghadapi cabaran yang signifikan; menurut David Pardoe, seorang ahli kimia komputasi di Evotec, hanya sekitar 500 daripada 7, 000 penyakit jarang mempunyai pilihan rawatan yang dibangunkan dalam abad terakhir. Proses yang panjang dan mahal ini adalah di mana kecerdasan buatan (AI) boleh menawarkan penyelesaian. AI boleh menggabungkan struktur 3D dan ciri atom molekul ubat yang berpotensi untuk mengkaji kesesuaian mereka dengan protein sasaran, berpotensi meningkatkan keberkesanan ubat dan mengenal pasti sasaran baru sambil mengambil kira persekitaran biologi yang kompleks dalam pesakit. Satu kekayaan data biologi yang dihasilkan di seluruh dunia memberikan asas yang kuat untuk aplikasi AI dalam pembangunan ubat. Namun, kualiti data tetap menjadi isu kritikal, sering terjejas oleh kaedah eksperimen yang tidak konsisten dan kecenderungan untuk menerbitkan hanya hasil yang menguntungkan. Walaupun sesetengah orang percaya bahawa meningkatkan jumlah data akan menyelesaikan masalah ini, ramai pakar menekankan keperluan untuk kerjasama antara akademia dan industri untuk meningkatkan kualiti data bagi model AI. Cadangan utama termasuk menyusun laporan dan metodologi untuk eksperimen bagi mengurangkan perbezaan antara data dari pelbagai makmal.

Inisiatif seperti Human Cell Atlas bertujuan untuk mencipta set data yang konsisten untuk analisis AI, sementara projek Polaris sedang membangunkan garis panduan untuk meningkatkan ketelusan dan kualiti data. Selain itu, terdapat bias yang ketara terhadap penerbitan hanya hasil yang berjaya, yang memberi kesan kepada model AI ke arah hasil positif. Menangani perkara ini melalui inisiatif yang mengumpul kedua-dua hasil positif dan negatif adalah penting untuk pemahaman yang lebih tepat mengenai keberkesanan dan keselamatan ubat. Projek seperti inisiatif "avoid-ome" bertujuan untuk memberikan pandangan berharga mengenai faktor PFME yang relevan dengan pembangunan ubat. Lebih-lebih lagi, syarikat farmaseutikal sering memegang data yang luas tetapi enggan untuk berkongsi, membataskan potensi manfaat untuk AI. Projek kolaboratif seperti Melloddy telah menunjukkan bahawa pembelajaran teragih boleh meningkatkan ketepatan model sambil masih melindungi maklumat proprietari. Secara ringkas, meningkatkan penemuan ubat melalui AI memerlukan standardisasi data yang lebih baik, pengiktirafan tentang nilai hasil negatif, dan peningkatan kerjasama dalam perkongsian data. Dengan menangani cabaran ini, harapannya adalah untuk mempertingkatkan kecekapan dan keberkesanan pembangunan ubat secara signifikan.