Odkrywanie nowych leków to przedsięwzięcie niezwykle kosztowne i ryzykowne - od lat 50-tych koszty opracowania farmaceutyków podwajają się co 9 lat, co naukowcy określają mianem prawa Eooma. Dziś wprowadzenie nowego leku na rynek trwa średnio od 10 do 15 lat i wymaga wydatków od 1 do 2,5 miliarda dolarów, przy wskaźniku porażek przekraczającym 90 procent. Największe koszty wiążą się z fazą badań klinicznych, dlatego branża farmaceutyczna widzi w sztucznej inteligencji główną nadzieję na podniesienie skuteczności i skrócenie harmonogramów.
AI przejmuje coraz więcej zadań w laboratorium, szczególnie na wczesnym etapie identyfikacji trafień - czyli przeszukiwania bibliotek cząsteczek w poszukiwaniu substancji aktywnych wobec wskazanych celów biologicznych takich jak białka. Szybsze opracowanie i optymizacja nowych związków chemicznych oznacza niższe ryzyko kosztownych porażek w późniejszych etapach badań. Eksperci z firm takich jak Cytiva podkreślają, że AI nie tylko oszczędza czas, ale umożliwia dotarcie do kliniki kandydatom wyższej jakości.
Algorytmy AI wykazują obiecujący potencjał, jednak jednocześnie ujawniają krytyczną potrzebę wysokiej jakości autentycznych danych oraz lepszej integracji ze źródłami systemów laboratoryjnych. To właśnie na kwestii zamknięcia pętli danych - polegającej na ciągłym sprzężeniu zwrotnym między danymi z laboratorium a modelami AI - skupiają się obecnie badania. Bez tego mechanizmu technologia nie potrafi w pełni zrealizować swojego potencjału.