Descoperirea medicamentelor prezintă provocări semnificative; conform lui David Pardoe, un chimist computațional la Evotec, doar aproximativ 500 din cele 7. 000 de boli rare au opțiuni de tratament dezvoltate în ultima sută de ani. Natura lungă și costisitoare a acestui proces este locul unde inteligența artificială (IA) ar putea oferi soluții. IA poate integra structurile 3D și caracteristicile atomice ale moleculelor potențiale de medicamente pentru a examina compatibilitatea acestora cu proteinele țintă, îmbunătățind potențial eficacitatea medicamentelor și identificând noi ținte, ținând cont de mediul biologic complex din interiorul pacienților. O bogată cantitate de date biologice generate la nivel mondial reprezintă o bază solidă pentru aplicațiile IA în dezvoltarea medicamentelor. Totuși, calitatea datelor rămâne o problemă critică, adesea afectată de metode experimentale inconsistente și o tendință de a publica doar rezultate favorabile. Deși unii cred că creșterea volumului de date va rezolva aceste probleme, mulți experți subliniază necesitatea colaborării între mediul academic și industrie pentru a îmbunătăți calitatea datelor pentru modelele IA. Recomandările cheie includ standardizarea raportării și a metodologiilor pentru experimente, pentru a reduce discrepanțele între datele provenite din diverse laboratoare.

Inițiativele precum Atlasul Celulelor Umane își propun să creeze seturi de date consistente pentru analiza IA, în timp ce proiectul Polaris dezvoltă linii directoare pentru îmbunătățirea transparenței și calității datelor. În plus, există o părtinire notabilă spre publicarea doar a rezultatelor de succes, ceea ce distorsionează modelele IA în favoarea rezultatelor pozitive. Abordarea acestei probleme prin inițiative ce compilează atât rezultate pozitive, cât și negative este esențială pentru o înțelegere mai precisă a eficacității și siguranței medicamentelor. Proiecte precum inițiativa „avoid-ome” își propun să ofere perspective valoroase asupra factorilor PFME relevanți pentru dezvoltarea medicamentelor. Mai mult, companiile farmaceutice dețin adesea date extinse, dar sunt reticente în a le împărtăși, limitând beneficiile potențiale pentru IA. Proiectele de colaborare precum Melloddy au demonstrat că învățarea federată poate îmbunătăți precizia modelului, păstrând în același timp informațiile proprietare. În concluzie, îmbunătățirea descoperirii medicamentelor prin IA va necesita o standardizare mai bună a datelor, recunoașterea valorii rezultatelor negative și o colaborare sporită în partajarea datelor. Prin abordarea acestor provocări, speranța este de a crește semnificativ eficiența și eficacitatea dezvoltării medicamentelor.