Closing the data loop in AI-driven drug discovery

AI 摘要

一句话摘要: AI加速药物发现但受限于数据质量，需闭环数据与实验室整合提升成功率。 关键事实: 新药研发成本每9年翻倍，耗时10-15年，失败率超90%；AI用于命中识别可设计候选药物但无法预测动力学；公开数据集存在发表偏倚，模型遇数据墙。 涉及主体: Cytiva, Paul Belcher 可能影响: AI药物发现将推动高吞吐量信息丰富实验技术需求，数据质量与闭环成为行业竞争核心，可能催生数据共享或去中心化数据市场。 是否值得继续跟踪: 是，AI药物发现是AI+Crypto高价值落地场景，数据闭环与激励问题与Web3数据溯源、去中心化存储高度相关。 噪音/炒作风险: 中，AI药物发现概念成熟但实际落地受数据瓶颈限制，需区分真实进展与营销叙事。