在AI驱动的药物发现中闭环数据循环

文章探讨了AI在药物发现中的应用现状与挑战，强调高质量完整数据（尤其是负结果数据）对模型性能的关键作用。

• 自1950年代以来，新药开发成本每九年翻一番（Eroom's Law）。
• 目前新药上市平均需要10-15年，成本10-25亿美元，失败率超过90%。
• AI在命中识别阶段从经验筛选转向预测设计，可消除物理筛选限制并淘汰低质量候选物。
• AI尚不能可靠预测动力学和可开发性，每个AI生成的候选物仍需实验室验证。
• 公共数据集存在发表偏倚，仅包含阳性结果，缺乏失败实验数据。

• AI has become the pharmaceutical industry’s biggest bet on bringing success rates up and timelines down.
• “The main cost in drug discovery is still the clinical phase, so trying to reduce risk and increase your success rates there is obviously hugely beneficial,”
• “Most publicly available datasets and scientific publications focus exclusively on positive results,”