人工智能在科学上永远存在的问题是，涌现的现象通常不能被推断出来，而是必须在实验室中想象出来并进行测试。 人工智能可以凭直觉找到最有希望的路径，但它无法预测现实中存在的混乱。
预测蛋白质结构的人工智能工具AlphaFold是否真的能撼动制药行业？
谷歌 Deepmind 的 AlphaFold 在 2020 年证明它能高精度地预测蛋白质的三维形状后，化学家们开始对利用这一开源人工智能（AI）程序更快、更便宜地发现药物的前景感到兴奋。大多数药物通过与蛋白质上的不同位点结合发挥作用，而 AlphaFold 可以预测科学家们以前知之甚少的蛋白质结构。
上个月，位于犹他州盐湖城的生物技术公司Recursion宣布，它计算出了360亿种潜在药物化合物与15000多种人类蛋白质的结合情况，AlphaFold预测了这些蛋白质的结构。为了完成这项庞大的计算，Recursion公司使用了自己的人工智能工具MatchMaker，将自己的预测结构与一个名为Enamine Real Space的数据库中形状合适的小分子或配体进行 "匹配"。
在药物发现中使用计算工具的想法是“更容易、更快、更便宜地利用制造好药物的所有参数”。通过使用人工智能模型来寻找先导化合物，制药公司可能只需要在实验室中测试数百种化合物，而不是数千种。这可以节省数百万美元的成本，并在几年而不是几十年内将化合物推向市场。
面临的挑战不是设计一个模型来识别分子结合的程度，而是创建一个系统来识别与人们知之甚少的蛋白质牢固结合的化合物，然后进行进行验证。