Khám phá thuốc gặp nhiều thách thức lớn; theo David Pardoe, một nhà hóa học tính toán tại Evotec, chỉ khoảng 500 trong số 7. 000 căn bệnh hiếm có lựa chọn điều trị được phát triển trong thế kỷ qua. Tính chất kéo dài và tốn kém của quy trình này là nơi trí tuệ nhân tạo (AI) có thể cung cấp giải pháp. AI có thể tích hợp các cấu trúc 3D và đặc điểm nguyên tử của các phân tử thuốc tiềm năng để kiểm tra tính tương thích của chúng với các protein mục tiêu, có khả năng nâng cao hiệu quả thuốc và xác định các mục tiêu mới trong khi xem xét môi trường sinh học phức tạp bên trong cơ thể bệnh nhân. Một nguồn dữ liệu sinh học phong phú được tạo ra trên toàn cầu đặt nền tảng vững chắc cho các ứng dụng AI trong phát triển thuốc. Tuy nhiên, chất lượng dữ liệu vẫn là một vấn đề then chốt, thường bị cản trở bởi các phương pháp thí nghiệm không đồng nhất và xu hướng chỉ công bố kết quả thuận lợi. Trong khi một số người tin rằng việc tăng khối lượng dữ liệu sẽ giải quyết những vấn đề này, nhiều chuyên gia nhấn mạnh sự cần thiết phải hợp tác giữa giới học thuật và ngành công nghiệp để nâng cao chất lượng dữ liệu cho các mô hình AI. Các khuyến cáo chính bao gồm việc tiêu chuẩn hóa báo cáo và phương pháp thí nghiệm để giảm sự khác biệt giữa dữ liệu từ các phòng thí nghiệm khác nhau.

Các sáng kiến như Atlas tế bào người nhằm tạo ra các tập dữ liệu nhất quán cho phân tích AI, trong khi dự án Polaris đang phát triển hướng dẫn để cải thiện tính minh bạch và chất lượng dữ liệu. Thêm vào đó, có một sự thiên lệch rõ ràng về việc chỉ công bố những kết quả thành công, điều này làm sai lệch các mô hình AI về kết quả tích cực. Giải quyết vấn đề này thông qua các sáng kiến tổng hợp cả kết quả tích cực và tiêu cực là rất cần thiết để hiểu biết chính xác hơn về hiệu quả và độ an toàn của thuốc. Các dự án như sáng kiến “avoid-ome” nhằm cung cấp thông tin quý giá về các yếu tố PFME liên quan đến phát triển thuốc. Hơn nữa, các công ty dược phẩm thường nắm giữ dữ liệu rộng lớn nhưng ngần ngại chia sẻ, hạn chế tiềm năng lợi ích cho AI. Các dự án hợp tác như Melloddy đã chứng minh rằng học tập liên kết có thể cải thiện độ chính xác của mô hình trong khi vẫn bảo vệ thông tin sở hữu. Tóm lại, việc nâng cao khám phá thuốc thông qua AI sẽ cần cải thiện tiêu chuẩn hóa dữ liệu, công nhận giá trị của kết quả tiêu cực và tăng cường hợp tác trong việc chia sẻ dữ liệu. Bằng cách giải quyết những thách thức này, hy vọng sẽ nâng cao đáng kể hiệu quả và hiệu suất của phát triển thuốc.