医药研发往往涉及到海量数据处理，这也使得药品的研发周期被无限拉长，不仅增加了药企成本，也让相关疾病患者难以早日获得有效治疗。对此，
再生医学网表示，好在随着人工智能技术的兴起，并在医药研发领域大规模应用后，这一难题正在得以解决。
未来：精准医学&药物发现
近年来，精准医学的概念越来越被提及，其强调基于个体差异（包括基因&环境&生活方式等）来进行疾病的预防和治疗，从而降低“一刀切”的治疗方式。出于这个原因，近年来产生了大量生物医学数据，其来源非常多样化：从小型的实验室到大型的多中心研究；这些数据主要称为组学数据（基因组学、蛋白质组学、代谢组学、药物基因组学等），是科学界取之不尽的信息来源，可用于对患者进行分类，获得特定诊断，以及开发新的治疗方法。
过去十年中，计算能力的快速提升，已逐渐形成了与传统药物发现过程中高通量筛选的竞争。机器学习(ML)，作为人工智能的一个分支，已有多重方法应用于药物发现过程中，从而预测新化学实体的分子特征、生物活性、相互作用和不良反应等。这些算法，正在改变着新药发现的传统模式。
ML&生物学问题
现代生物学的复杂性，使计算成为支撑生物学实验必不可少的工具，因为它们允许以高精度编码理论模型来处理大量信息，从而促进和加速新药的开发。无论是从hit-to-lead，还是一定程度的ADMET，计算都能给出一定的预测。
如上所述，比例最高的为“药物-靶标相互作用”。靶标研究，位于疾病和药物发现的最前端，这个“开头”的重要性，自不必说。化合物-蛋白相互作用，已成为新药发现的先决条件，如PDB数据库的使用，通过积累大量的受体-配体结晶，为相互作用提供了大量的数据，是药物计算研究人员必不可少的数据来源，同时，相应的也诞生了许多进行测算的软件，如MPLs-Pred。
ML未来发展趋势
贝叶斯、支持向量机、决策树、人工神经网络的深入研究，无疑会为机器学习的精准度大大助力；而基于结构的药物设计，将更加离不开机器学习，从而达到快速、高效、低成本的行业要求。然而，机器学习的优点已有大量研究进行展示，但不得不说的是，真正凭借机器学习、人工智能为核心技术，而开发出的上市药物，还没有。故，基于机器学习的药物发现，也一直受到行业的质疑。但技术上的重大突破，往往伴随着前期的极度质疑，而一旦实现质的飞跃，也必将受到更大的投资回报。
