Closing the data loop in AI-driven drug discovery
L'IA accélère la découverte de médicaments en permettant la conception prédictive plutôt que le screening physique, mais bute sur un obstacle critique : le manque de données de qualité et complètes. Les modèles sont entraînés sur les mêmes datasets publics biaisés vers les succès, créant un mur de données. L'intégrité des données est aussi une préoccupation croissante.
L'article explore le potentiel de l'IA à réduire les coûts (1–2,5 milliards $) et délais (10–15 ans) de la découverte de médicaments, où les taux d'échec dépassent 90 %. L'IA excelle dans l'identification de hits par prédiction (plutôt que screening physique), éliminant les candidats faibles avant validation en laboratoire. Cependant, cette efficacité génère une demande d'équipements haute débit et de données richifiées pour valider les candidats générés par l'IA. Le défi fondamental réside dans la qualité et la complétude des données : les modèles existants heurtent un mur en convergeant tous
Contenu original : Closing the data loop in AI-driven drug discovery — tous droits chez MIT Technology Review.
