當前的Covid-19危機凸顯了對快速發現新興疾病的新療法的需求。但是，調整大規模的實驗工作以適應不斷變化的環境不可能一overnight而就。對敏捷性的緊迫呼吁表明，我們需要采取新的方法來搜索和識別分子療法和療法。

　　從歷史上看，藥物發現依靠大量的實驗工作來繪制化學空間的相關部分。即使出現了自動化的高投入篩選方法，為新疾病設計有效的檢測方法并大規模運行也可能需要數月的時間。

　　如果不訪問數據，我們將無法釋放人工智能的潛力

　　新興的人工智能（AI）技術具有加速和轉變對分子療法的搜索的潛力，從而能夠快速，大規模地識別有效的候選藥物。為實現這一目標，我們發起了一項名為AI Cures的計劃，以期減少來自不同背景的人們參與和貢獻的障礙。通過公開共享數據，關鍵分析和方法，我們希望探索AI可以幫助發現藥物的多種方式。較高的科學標準和公開分析還可以減輕可能的錯誤，提前宣布的負面影響。

　　AI算法最簡單的任務是計算機屬性預測。該算法學會預測實驗分析的結果，例如用給定化合物處理過的細胞是否能夠承受病毒感染，從而可以快速，廉價地掃描大型化合物庫尋找有效的候選藥物。人工智能工具確實需要學習初始數據，但所需的數據量可能遠遠少于全面的實驗調查。確實，算法自然是機會主義的，尋求將分子特征與測量結果聯系起來的一致的統計模式。初始數據中的信號越清晰，預測或有效模擬實驗結果所需的信號就越少。例如，在我們之前的抗生素研究中，

　　人工智能工具可以幫助重新利用已經通過臨床批準流程的化合物。只有大約10，000種這樣的化合物，其中一些正在接受臨床試驗，并且已經進行了許多篩選和測試其針對Covid-19有效性的工作。各種病毒抑制篩選的實驗結果彼此之間并不十分吻合，但是，為AI工具調和了細胞類型，細胞系和實驗方案的差異留出了很大的空間。

　　不幸的是，單一藥物的重新努力可能無法產生有效的治療。許多已知的病毒療法（例如用于治療HIV的療法）都是基于藥物的組合而非單個化合物。考慮分子混合物有多種理由。它們可用于增強效力（針對不同的途徑和過程），減輕副作用或調節人類免疫應答。為了確定有效的藥物組合，理想情況下，我們將可以同時用多種劑量的多種候選化合物處理的感染細胞進行大規模篩選。但是，此搜索空間是組合的，從而導致系統的實驗工作不足。這是AI和機器學習工具可以真正發揮作用的地方。除了從有限的數據中暗示有希望的組合之外，算法還可以指出哪種組合對實驗性篩選最有幫助。實際上，人工智能算法的作用和實驗篩選工作是高度協同的。