Di Balik Hype: Mengungkap Dampak Nyata Generative AI dalam Penemuan Obat

Sejak Insilico Medicine mengembangkan obat untuk fibrosis paru idiopatik (IPF) menggunakan generative AI, ada kegembiraan yang tumbuh tentang bagaimana teknologi ini dapat mengubah penemuan obat. Metode tradisional adalah lambat dan mahal, sehingga ide bahwa AI dapat mempercepat proses ini telah menarik perhatian industri farmasi. Startups muncul, berusaha membuat proses seperti memprediksi struktur molekul dan mensimulasikan sistem biologis lebih efisien. McKinsey Global Institute memperkirakan bahwa generative AI dapat menambah $60 miliar hingga $110 miliar setiap tahun ke sektor ini. Namun, di tengah-tengah antusiasme, masih ada tantangan signifikan yang tersisa. Dari keterbatasan teknis hingga kualitas data dan kekhawatiran etika, jelas bahwa perjalanan ke depan masih dipenuhi dengan hambatan. Artikel ini mengambil pandangan lebih dekat pada keseimbangan antara kegembiraan dan kenyataan generative AI dalam penemuan obat.

Hype yang Mengelilingi Generative AI dalam Penemuan Obat

Generative AI telah menarik imajinasi industri farmasi dengan potensinya untuk mempercepat proses penemuan obat yang tradisionalnya lambat dan mahal. Platform AI ini dapat mensimulasikan ribuan kombinasi molekul, memprediksi efikasinya, dan bahkan memprediksi efek sampingan jauh sebelum uji klinis dimulai. Beberapa ahli industri memperkirakan bahwa obat yang sebelumnya membutuhkan waktu satu dekade untuk dikembangkan akan dapat dibuat dalam waktu beberapa tahun, atau bahkan beberapa bulan dengan bantuan generative AI.

Startups dan perusahaan mapan memanfaatkan potensi generative AI untuk penemuan obat. Kemitraan antara raksasa farmasi dan startup AI telah memicu kesepakatan, dengan perusahaan seperti Exscientia, Insilico Medicine, dan BenevolentAI mendapatkan kemitraan senilai jutaan dolar. Daya tarik penemuan obat yang didorong AI terletak pada janji untuk menciptakan terapi inovatif lebih cepat dan lebih murah, memberikan solusi untuk salah satu tantangan terbesar industri: biaya tinggi dan waktu yang lama untuk membawa obat baru ke pasar.

Keberhasilan Awal

Generative AI tidak hanya sebuah alat hipotetis; telah menunjukkan kemampuannya untuk menghasilkan hasil. Pada 2020, Exscientia mengembangkan kandidat obat untuk gangguan obsesif-kompulsif, yang memasuki uji klinis kurang dari 12 bulan setelah program dimulai — waktu yang jauh lebih singkat dari standar industri. Insilico Medicine telah membuat berita dengan menemukan senyawa baru untuk fibrosis menggunakan model yang dihasilkan AI, lebih lanjut menunjukkan potensi praktis AI dalam penemuan obat.

Di luar pengembangan obat individual, AI digunakan untuk mengatasi hambatan lain dalam pipa farmasi. Misalnya, perusahaan menggunakan generative AI untuk mengoptimalkan formulasi obat dan desain, memprediksi respons pasien terhadap pengobatan tertentu, dan menemukan biomarker untuk penyakit yang sebelumnya sulit ditargetkan. Aplikasi awal ini menunjukkan bahwa AI dapat membantu menyelesaikan tantangan lama dalam penemuan obat.

Apakah Generative AI Terlalu Dibesar-besarkan?

Di tengah-tengah antusiasme, ada skeptisisme yang tumbuh tentang seberapa banyak hype generative AI yang didasarkan pada harapan yang realistis versus ekspektasi yang terlalu tinggi. Sementara cerita sukses mendapatkan perhatian, banyak proyek penemuan obat berbasis AI gagal menerjemahkan janji awal mereka menjadi hasil klinis dunia nyata. Industri farmasi terkenal lambat, dan menerjemahkan prediksi komputasi menjadi obat yang efektif dan siap pasar masih merupakan tugas yang menantang.

Kritikus menunjukkan bahwa kompleksitas sistem biologis jauh melebihi apa yang dapat dipahami oleh model AI saat ini. Penemuan obat melibatkan pemahaman tentang interaksi molekul yang rumit, jalur biologis, dan faktor spesifik pasien. Sementara generative AI sangat baik dalam prediksi berbasis data, ia bergelut untuk menavigasi ketidakpastian dan nuansa yang muncul dalam biologi manusia. Dalam beberapa kasus, obat yang ditemukan AI mungkin tidak lulus pemeriksaan regulasi, atau mereka mungkin gagal pada tahap akhir uji klinis — sesuatu yang telah kita lihat sebelumnya dengan metode pengembangan obat tradisional.

Tantangan lain adalah data itu sendiri. Algoritma AI bergantung pada dataset besar untuk pelatihan, dan sementara industri farmasi memiliki banyak data, data tersebut sering kali berisik, tidak lengkap, atau bias. Sistem generative AI memerlukan data berkualitas tinggi dan beragam untuk membuat prediksi akurat, dan kebutuhan ini telah mengungkapkan kesenjangan dalam infrastruktur data industri. Selain itu, ketika sistem AI terlalu bergantung pada data historis, mereka berisiko memperkuat bias yang ada daripada berinovasi dengan solusi yang benar-benar baru.

Mengapa Terobosan Ini Tidak Mudah

Sementara generative AI menunjukkan janji, proses mengubah ide yang dihasilkan AI menjadi solusi terapi yang layak adalah tugas yang menantang. AI dapat memprediksi kandidat obat potensial, tetapi memvalidasi kandidat tersebut melalui uji pra-klinis dan klinis adalah di mana tantangan sebenarnya dimulai.

Satu hambatan besar adalah sifat ‘black box’ dari algoritma AI. Dalam penemuan obat tradisional, peneliti dapat melacak setiap langkah proses pengembangan dan memahami mengapa obat tertentu kemungkinan akan efektif. Sebaliknya, model generative AI sering menghasilkan hasil tanpa menawarkan wawasan tentang bagaimana mereka mencapai prediksi tersebut. Ketiadaan transparansi ini menciptakan masalah kepercayaan, karena regulator, profesional kesehatan, dan bahkan ilmuwan menemukan sulit untuk sepenuhnya mengandalkan solusi yang dihasilkan AI tanpa memahami mekanisme yang mendasarinya.

Selain itu, infrastruktur yang diperlukan untuk mengintegrasikan AI ke dalam penemuan obat masih dalam tahap pengembangan. Perusahaan AI bekerja dengan raksasa farmasi, tetapi kolaborasi mereka sering mengungkapkan harapan yang tidak sejalan. Perusahaan farmasi, yang dikenal karena pendekatan yang hati-hati dan berat regulasi, sering enggan mengadopsi alat AI dengan kecepatan yang diharapkan oleh perusahaan startup AI. Agar generative AI mencapai potensinya sepenuhnya, kedua belah pihak perlu selaras dalam perjanjian berbagi data, kerangka regulasi, dan alur kerja operasional.

Dampak Nyata dari Generative AI

Generative AI telah memperkenalkan pergeseran paradigma dalam industri farmasi, tetapi dampak nyatanya terletak pada melengkapi, bukan menggantikan, metode tradisional. AI dapat menghasilkan wawasan, memprediksi hasil potensial, dan mengoptimalkan proses, tetapi keahlian manusia dan pengujian klinis masih sangat penting untuk mengembangkan obat baru.

Untuk saat ini, nilai segera generative AI datang dari mengoptimalkan proses penelitian. AI unggul dalam menyempitkan kolam kandidat molekul, memungkinkan peneliti untuk fokus perhatian mereka pada senyawa yang paling menjanjikan. Dengan menyelamatkan waktu dan sumber daya selama tahap awal penemuan, AI memungkinkan perusahaan farmasi untuk mengejar jalur inovatif yang mungkin telah dianggap terlalu mahal atau berisiko.

Dalam jangka panjang, potensi sebenarnya dari AI dalam penemuan obat kemungkinan akan bergantung pada kemajuan dalam AI yang dapat dijelaskan, infrastruktur data, dan kolaborasi industri-wide. Jika model AI dapat menjadi lebih transparan, membuat proses pengambilan keputusan mereka lebih jelas bagi regulator dan peneliti, itu dapat menyebabkan adopsi AI yang lebih luas di seluruh industri farmasi. Selain itu, ketika kualitas data meningkat dan perusahaan mengembangkan praktik berbagi data yang lebih kuat, sistem AI akan menjadi lebih siap untuk membuat penemuan yang mengubah paradigma.

Intinya

Generative AI telah menarik imajinasi ilmuwan, investor, dan eksekutif farmasi, dan dengan alasan yang baik. Ini memiliki potensi untuk mengubah cara obat ditemukan, mengurangi waktu dan biaya sambil memberikan terapi inovatif kepada pasien. Sementara teknologi telah menunjukkan nilainya dalam fase awal penemuan obat, itu belum siap untuk mengubah seluruh proses.

Dampak nyata dari generative AI dalam penemuan obat akan terungkap dalam beberapa tahun mendatang ketika teknologi berkembang. Namun, kemajuan ini bergantung pada mengatasi tantangan yang terkait dengan kualitas data, transparansi model, dan kolaborasi dalam ekosistem farmasi. Generative AI adalah alat yang kuat, tetapi nilainya yang sebenarnya bergantung pada bagaimana itu diterapkan. Meskipun hype saat ini mungkin dilebih-lebihkan, potensinya adalah nyata — dan kita baru saja memulai penemuan apa yang dapat dicapai.