当前的Covid-19危机凸显了对快速发现新兴疾病的新疗法的需求。但是，调整大规模的实验工作以适应不断变化的环境不可能一overnight而就。对敏捷性的紧迫呼吁表明，我们需要采取新的方法来搜索和识别分子疗法和疗法。

从历史上看，药物发现依靠大量的实验工作来绘制化学空间的相关部分。即使出现了自动化的高投入筛选方法，为新疾病设计有效的检测方法并大规模运行也可能需要数月的时间。

如果不访问数据，我们将无法释放人工智能的潜力

新兴的人工智能(AI)技术具有加速和转变对分子疗法的搜索的潜力，从而能够快速，大规模地识别有效的候选药物。为实现这一目标，我们发起了一项名为AI Cures的计划，以期减少来自不同背景的人们参与和贡献的障碍。通过公开共享数据，关键分析和方法，我们希望探索AI可以帮助发现药物的多种方式。较高的科学标准和公开分析还可以减轻可能的错误，提前宣布的负面影响。

AI算法最简单的任务是计算机属性预测。该算法学会预测实验分析的结果，例如用给定化合物处理过的细胞是否能够承受病毒感染，从而可以快速，廉价地扫描大型化合物库寻找有效的候选药物。人工智能工具确实需要学习初始数据，但所需的数据量可能远远少于全面的实验调查。确实，算法自然是机会主义的，寻求将分子特征与测量结果联系起来的一致的统计模式。初始数据中的信号越清晰，预测或有效模拟实验结果所需的信号就越少。例如，在我们之前的抗生素研究中，

人工智能工具可以帮助重新利用已经通过临床批准流程的化合物。只有大约10,000种这样的化合物，其中一些正在接受临床试验，并且已经进行了许多筛选和测试其针对Covid-19有效性的工作。各种病毒抑制筛选的实验结果彼此之间并不十分吻合，但是，为AI工具调和了细胞类型，细胞系和实验方案的差异留出了很大的空间。

不幸的是，单一药物的重新努力可能无法产生有效的治疗。许多已知的病毒疗法(例如用于治疗HIV的疗法)都是基于药物的组合而非单个化合物。考虑分子混合物有多种理由。它们可用于增强效力(针对不同的途径和过程)，减轻副作用或调节人类免疫应答。为了确定有效的药物组合，理想情况下，我们将可以同时用多种剂量的多种候选化合物处理的感染细胞进行大规模筛选。但是，此搜索空间是组合的，从而导致系统的实验工作不足。这是AI和机器学习工具可以真正发挥作用的地方。除了从有限的数据中暗示有希望的组合之外，算法还可以指出哪种组合对实验性筛选最有帮助。实际上，人工智能算法的作用和实验筛选工作是高度协同的。