மருந்து கண்டுபிடிப்பில் முக்கியமான சவால்கள் உள்ளன; எவோடெக் நிறுவனத்தில் கணினி பேராசிரியராக இருக்கும் டேவிட் பார்டோயின் अनुसार, கடந்த நூற்றாண்டில் 7, 000 இயல்பில்லாத வியாதிகளில் சுமார் 500க்கு மட்டுமே மருத்துவமான தேர்வுகள் உருவாக்கப்பட்டுள்ளன. இந்த செயல்கூறின் நீண்ட மற்றும் செலவான தன்மை, செயற்கை அறிவு (AI) தீர்வுகளை வழங்குவதற்கே முன்மாதிரி ஆக இருக்கலாம். AI, சிகிச்சையில் உள்ள நோயாளிகளின் சிக்கலான உயிரியல் சூழலைக் கணக்கில் எடுத்துக்கொண்டு, இலக்கு புரதங்களுக்கு எதிரான பொருட்களை ஆராயவே potential மருந்து மூலப்பதங்கள் மற்றும் அணு பண்பு 3D அமைப்பு ஒன்றிணைக்க முடியும், இது மருந்தின் செயல்திறனை மேம்படுத்தலாம் மற்றும் புதிய இலக்குகளை அடையாளம் காணலாம். உலகளாவிய அளவில் உருவாக்கப்படும் பன்முக உயிரியல் தரவுகள் மருந்து மேம்பாட்டில் AI பயன்பாடுகளுக்கு ஒரு வலுவான அடித்தளமாக அமைக்கின்றன. இருப்பினும், தரவின் தரம் ஒரு முக்கியமான பிரச்சினையாகவே உள்ளது, இது வெளிப்படுத்தப்படாத நிபுணத்துவ முறைமைகள் மற்றும் எளிதில் வகை யானீர் வெறுமனே வழங்கப்பட்ட முடிவுகள் போன்றவற்றால் குறுக்கீடானதாக உள்ளது. சிலர் தரவின் அளவை அதிகரிப்பது இந்த சிக்கல்களை தீர்க்கும் என நம்புகிறார்கள், ஆனால் பல நிபுணர்கள் AI மாதிரிகள் தரத்திற்கான இணைப்பு மற்றும் தொழில்நுட்பத்தின் மேம்பாட்டிற்கு கல்வி மற்றும் தொழில்வழியாக இணக்கம் தேவைப்படுகிறது என்று வலியுறுத்துகிறார்கள். முக்கிய பரிந்துரைகளில் தகவல்களை ஒழுங்குபடுத்துவது மற்றும் பரிசோதனைகளுக்கான முறைகளை நிச்சயமாகக் குறைக்குதல் மற்றும் தரவுகளை வெவ்வேறு ஆய்வகங்களில் உள்ளனவாகக் குறைத்துக்கொள்ள வேண்டும் அதிகரிக்கின்றன.

மனித செல்கள் அட்டலம் போன்ற முயற்சிகள் AI ஆராய்ச்சிக்கு தொடர்ச்சியான தரவுத்தொகுப்புகளை உருவாக்கலாம், போலரிஸ் திட்டம் தர தகவல்களை தெளிவு மற்றும் தரத்தை மேம்படுத்த விதிமுறை உருவாக்குகிறது. மேலும், வெற்றியடைந்த முடிவுகளை மட்டும் வெளியீடு செய்வதற்கான மேலோட்டமான பாகுபாடு உள்ளது, இது AI மாதிரிகளை நேர்மறை முடிவுகளுக்கு இடையே வளைத்துக் கொண்டு செல்கிறது. இதை, நேர்மறை மற்றும் எதிர்மறை முடிவுகளை இரண்டு இதழாகக் கொண்டே செயற்கை யானிற்குப் பொருத்தமான மற்றும் சரியானதொரு கருத்துமிக்க புரிதலை வழங்குவதற்கு தயா செய்ய வேண்டும். "விலக்கு-ஓம்" என்ற திட்டங்கள் PFME காரணிகளில் தொடர்பான மருந்து மேம்பாட்டுக்கு அர்த்தம் வாய்ந்த தகவல்களை வழங்க சிறந்த முயற்சிகளை செய்து வருகின்றன. மேலும், மருந்து நிறுவனங்கள் விசாலமான தரவுகளை வைத்திருக்கிறார்கள் ஆனால் அதை பகிர வேண்டியதில்லை, இது AIக்கு வழங்கும் வாய்ப்புகளை குறைக்கின்றது. மெலோடியின் போன்ற கூட்டுறவு திட்டங்கள் மூலதன தகவல்களை பாதுகாக்கும் நிலையில், பங்கீட்டு கல்விக்கு இன்னும் அதிகமான சாதனம் முறையை மேம்படுத்த முடியும் என்பதை நிலைநிறுத்தியுள்ளது. முடிவில், AI மூலம் மருந்து கண்டுபிடிப்பை மேம்படுத்த, தரவுத்தொகுப்புகளை மேம்படுத்தல், எதிர்மறை முடிவுகளின் மதிப்புக்கு அங்கீகாரம் அளிக்கும், மற்றும் தரவுப் பகிர்வில் கூட்டுறவை அதிகரிக்க வேண்டும். இந்த சவால்களை எதிர்கொண்டு தைரியமாக மாண்டி மொழியரை கூர்மையாகத்தேதும், மருந்து மேம்பாட்டின் செயல்திறன் மற்றும் செயல்திறனை முக்கியமாக உயர்த்துதல் தான் நம்பிக்கை.