#系统#JMC | 诺华人工智能启发式药物发现推荐系统( 二 ) |药物|人工智能|

4）尽管作者在努力创建简单且易于理解的建议，但系统却常常无法工作。例如， NIBR Hops依靠多个科学软件，集群和不同的数据系统。为了从试生产过渡到生产阶段， NIBR Hops必须在新平台上实现稳定的运行。通过隐藏这些复杂性， NIBR Hops极大地简化了科学家的工作。因此，相关的挑战如何能够构建一个鲁棒性很高的系统，这对科学家或管理人员而言可能是很大的挑战。
5）最后，建议应该经常有用，因为人们会很快忽略无用的建议。但是，与专用于分析研究的系统不同，推荐系统不需要推荐所有的建议。所以，面临的挑战是如何推荐新颖且有用的建议，并激发用户进一步研究调查。
展望
【#系统#JMC | 诺华人工智能启发式药物发现推荐系统】随着制药行业竞相采用人工智能和机器学习来进行药物发现，相信使用AI/ ML技术来增强人类工作的应用会不断的出现，例如：在先导化合物合成，化学可及性分析，相关检测，分子转化等方面。这些应用的开发可以使科学家能够缩短实验时间并最终加快药物发现。作者的方法是药物研发中AI的“low-hanging fruit” ，并不是在策略上进行全面改变，而是在现有数据和系统的基础上来推动以便帮助药物化学家。