AI శూన్యంనుండి ఔషధ అభ్యర్థులను రూపొందించి, రోగ లక్ష్యాలతో పరస్పర చర్యను ముందుగా అంచనా వేస్తుంది. అయితే, ఈ అభ్యర్థులను ప్రయోగశాలలో పరీక్షించి నిర్ధారించాలి. సాంప్రదాయ స్క్రీనింగ్ వర్క్ఫ్లోలు AI సృష్టించిన పెద్ద సంఖ్యలో సంక్లిష్ట అభ్యర్థులను నిర్వహించలేవు.
AI వినియోగం వల్ల డేటా‑సమృద్ధి ప్రయోగశాల వ్యవస్థల అవసరం పెరిగింది, అలాగే మరింత ఖచ్చితమైన డేటా అవసరం కూడా ఉంది. పరిశ్రమ ఈ అవసరాన్ని తీర్చడానికి కొత్త ల్యాబ్ టూల్స్ మరియు డేటా నిర్వహణ విధానాలను అభివృద్ధి చేస్తోంది.
ప్రజా డేటాసెట్లు AI మోడళ్లకు అవసరమైన నిర్మాణం, లేబెలింగ్, వైవిధ్యం లేవు. అలాగే, ప్రచురణ పక్షపాతం సానుకూల ఫలితాలపై మాత్రమే దృష్టి పెట్టడం వల్ల, వైఫల్యాలపై AI మోడళ్ల అవగాహన పరిమితం అవుతుంది.
ఈ సవాళ్లను పరిష్కరించడానికి, ఫార్మాస్యూటికల్ సంస్థలు మెరుగైన డేటాసెట్లను సృష్టించడం, ప్రయోగశాల వ్యవస్థలను డేటా‑సమృద్ధిగా మార్చడం మీద దృష్టి పెట్టాయి.
