藥物發(fā)現(xiàn)的數(shù)據(jù)往往來(lái)源于多個(gè)不同的來(lái)源，這些數(shù)據(jù)的質(zhì)量不高（包含大量的噪聲和偏差），訓(xùn)練出的人工智能模型就可能會(huì)有較大的誤差。

不同的藥物發(fā)現(xiàn)任務(wù)可能使用不同類型的機(jī)器學(xué)習(xí)模型。選擇了不適合的模型，模型的性能就可能較差。

即使人工智能模型預(yù)測(cè)出了潛在的藥物候選分子，通過(guò)實(shí)驗(yàn)室實(shí)驗(yàn)來(lái)驗(yàn)證這些分子的有效性和安全性。實(shí)驗(yàn)設(shè)計(jì)不合理或者執(zhí)行不當(dāng)，可能導(dǎo)致“get-get失敗”。

通過(guò)清洗和預(yù)處理數(shù)據(jù)，以及引入更多的高質(zhì)量數(shù)據(jù)來(lái)提高模型的準(zhǔn)確性。

通過(guò)嘗試不同的模型結(jié)構(gòu)和參數(shù)來(lái)尋找最合適的模型。

與專業(yè)的實(shí)驗(yàn)室合作，以確保實(shí)驗(yàn)的設(shè)計(jì)和執(zhí)行都達(dá)到最高的標(biāo)準(zhǔn)。