Legemiddeloppdagelse presenterer betydelige utfordringer; ifølge David Pardoe, en datakjemiker hos Evotec, har kun omtrent 500 av de 7 000 sjeldne sykdommene behandlingsalternativer utviklet det siste århundret. Den langtekkelige og kostbare naturen av denne prosessen er der kunstig intelligens (AI) kan tilby løsninger. AI kan integrere 3D-strukturene og atomære egenskaper til potensielle legemiddelmolekyler for å undersøke deres kompatibilitet med målproteiner, noe som potensielt kan forbedre legemiddeleffektiviteten og identifisere nye mål samtidig som det tas hensyn til det komplekse biologiske miljøet i pasientene. En overflod av biologiske data som genereres over hele verden gir et sterkt grunnlag for AI-applikasjoner i legemiddelutvikling. Kvaliteten på dataene forblir imidlertid et kritisk problem, ofte hemmet av inkonsekvente eksperimentelle metoder og en tendens til bare å publisere gunstige resultater. Mens noen mener at økt datavolum vil løse disse problemene, understreker mange eksperter behovet for samarbeid mellom akademia og industri for å forbedre datakvaliteten for AI-modeller. Nøkkel anbefalinger inkluderer å standardisere rapportering og metodologier for eksperimenter for å redusere forskjeller mellom data fra forskjellige laboratorier.

Initiativer som Human Cell Atlas har som mål å skape konsistente datasett for AI-analyse, mens Polaris-prosjektet utvikler retningslinjer for å forbedre datatransparens og kvalitet. I tillegg er det en merkbar bias mot kun å publisere vellykkede resultater, noe som skjevfører AI-modeller mot positive utfall. Å ta tak i dette gjennom initiativer som samler både positive og negative resultater er essensielt for en mer nøyaktig forståelse av legemiddeleffektivitet og sikkerhet. Prosjekter som "avoid-ome"-initiativet har som mål å gi verdifulle innsikter om PFME-faktorer som er relevante for legemiddelutvikling. Videre har legemiddelfirmaer ofte omfattende data, men er motvillige til å dele dem, noe som begrenser de potensielle fordelene for AI. Samarbeidsprosjekter som Melloddy har vist at føderert læring kan forbedre modellnøyaktighet samtidig som proprietær informasjon beskyttes. Oppsummert vil forbedring av legemiddeloppdagelse gjennom AI kreve bedre datastandardisering, anerkjennelse av verdien av negative resultater, og økt samarbeid om datadeling. Ved å adressere disse utfordringene, er håpet å betydelig heve effektiviteten og effektiviteten av legemiddelutviklingen.