Menguraikan Bahasa Molekul: Bagaimana Generative AI Mempercepat Penemuan Obat

Saat generative AI berkembang, itu melampaui memahami bahasa manusia untuk menguasai bahasa biologi dan kimia yang rumit. Bayangkan DNA sebagai skrip rinci, urutan 3 miliar huruf yang memandu fungsi dan pertumbuhan tubuh kita. Serupa, protein, komponen esensial kehidupan, memiliki bahasanya sendiri, termasuk alfabet 20 asam amino. Dalam kimia, molekul juga memiliki dialek unik, seperti membangun kata, kalimat, atau paragraf menggunakan aturan tata bahasa. Tata bahasa molekul menentukan bagaimana atom dan substruktur bergabung untuk membentuk molekul atau polimer. Sama seperti tata bahasa bahasa menentukan struktur kalimat, tata bahasa molekul menggambarkan struktur molekul.

Saat generative AI, seperti model bahasa besar (LLM), menunjukkan kemampuan untuk menguraikan bahasa molekul, jalur baru untuk penemuan obat yang efisien muncul. Beberapa perusahaan farmasi semakin menggunakan teknologi ini untuk menggerakkan inovasi dalam pengembangan obat. McKinsey Global Institute (MGI) memperkirakan generative AI bisa menciptakan $60 miliar hingga $110 miliar per tahun dalam nilai ekonomi untuk industri farmasi. Potensi ini terutama karena kemampuan untuk meningkatkan produktivitas dengan mempercepat identifikasi senyawa obat potensial baru dan mempercepat proses pengembangan dan persetujuan mereka. Artikel ini menjelajahi bagaimana generative AI mengubah industri farmasi dengan bertindak sebagai katalis untuk kemajuan cepat dalam penemuan obat. Namun, untuk menghargai dampak generative AI, penting untuk memahami proses penemuan obat tradisional dan keterbatasan serta tantangannya.

Tantangan Penemuan Obat Tradisional

Proses penemuan obat tradisional adalah upaya multi-tahap, sering kali memakan waktu dan sumber daya yang intensif. Ini dimulai dengan identifikasi target, di mana ilmuwan menentukan target biologis yang terlibat dalam penyakit, seperti protein atau gen. Langkah ini memimpin ke validasi target, yang mengonfirmasi bahwa memanipulasi target akan memiliki efek terapeutik. Selanjutnya, peneliti terlibat dalam identifikasi senyawa awal untuk menemukan kandidat obat potensial yang dapat berinteraksi dengan target. Setelah diidentifikasi, senyawa awal ini menjalani optimasi, memperbaiki sifat kimia mereka untuk meningkatkan efikasi dan meminimalkan efek sampingan. Pengujian pra-klinis kemudian menilai keamanan dan efikasi senyawa ini dalam vitro (dalam tabung reaksi) dan in vivo (dalam model hewan). Kandidat yang menjanjikan dievaluasi dalam tiga fase uji klinis untuk menilai keamanan dan efikasi manusia. Akhirnya, senyawa yang sukses harus memperoleh persetujuan regulasi sebelum dipasarkan dan diresepkan.

Meskipun ketelitiannya, proses penemuan obat tradisional memiliki beberapa keterbatasan dan tantangan. Ini terkenal memakan waktu dan biaya, sering kali membutuhkan lebih dari satu dekade dan biaya miliaran dolar, dengan tingkat kegagalan yang tinggi, terutama dalam fase uji klinis. Kompleksitas sistem biologis lebih mempersulit proses, membuatnya sulit untuk memprediksi bagaimana obat akan berperilaku pada manusia. Selain itu, penyaringan intensif hanya dapat mengeksplorasi sebagian kecil dari senyawa kimia yang mungkin, meninggalkan banyak obat potensial yang tidak ditemukan. Tingkat atribusi yang tinggi juga menghambat proses, di mana banyak kandidat obat gagal selama pengembangan tahap akhir, menghasilkan sumber daya dan waktu yang terbuang. Selain itu, setiap tahap penemuan obat memerlukan intervensi manusia dan keahlian yang signifikan, yang dapat memperlambat kemajuan.

Bagaimana Generative AI Mengubah Penemuan Obat

Generative AI menangani tantangan ini dengan mengotomatisasi berbagai tahap proses penemuan obat. Ini mempercepat identifikasi target dan validasi dengan menganalisis data biologis secara cepat untuk lebih tepat mengidentifikasi dan memvalidasi target obat potensial. Dalam fase penemuan senyawa awal, algoritma AI dapat memprediksi dan menghasilkan struktur kimia baru yang kemungkinan berinteraksi efektif dengan target. Kemampuan generative AI untuk mengeksplorasi sejumlah besar senyawa awal membuat proses eksplorasi kimia sangat efisien. Generative AI juga meningkatkan optimasi senyawa awal dengan mensimulasikan dan memprediksi efek modifikasi kimia pada senyawa awal. Misalnya, NVIDIA (NVDA ) berkolaborasi dengan Recursion Pharmaceuticals (RXRX ) untuk mengeksplorasi lebih dari 2,8 kuadriliun kombinasi molekul kecil dan target dalam waktu satu minggu. Proses ini bisa memakan waktu sekitar 100.000 tahun untuk mencapai hasil yang sama menggunakan metode tradisional. Dengan mengotomatisasi proses ini, generative AI secara signifikan mengurangi waktu dan biaya yang diperlukan untuk membawa obat baru ke pasar.

Selain itu, wawasan yang dihasilkan oleh generative AI membuat pengujian pra-klinis lebih akurat dengan mengidentifikasi masalah potensial lebih awal dalam proses, yang membantu menurunkan tingkat atribusi. Teknologi AI juga mengotomatisasi banyak tugas yang memakan waktu, memungkinkan peneliti untuk fokus pada keputusan strategis tingkat tinggi dan menskalakan proses penemuan obat.

Studi Kasus: Penemuan Obat Generative AI Pertama Insilico Medicine

Perusahaan bioteknologi, Insilico Medicine, telah menggunakan generative AI untuk mengembangkan obat pertama untuk fibrosis paru idiopatik (IPF), penyakit paru langka yang ditandai dengan skar kronis yang menyebabkan penurunan fungsi paru yang tidak dapat diubah. Dengan menerapkan generative AI pada dataset omik dan klinis terkait dengan fibrosis jaringan, Insilico berhasil memprediksi target fibrosis spesifik jaringan. Menggunakan teknologi ini, perusahaan merancang inhibitor molekul kecil, INS018_055, yang menunjukkan potensi melawan fibrosis dan peradangan.

Pada Juni 2023, Insilico memberikan dosis pertama INS018_055 kepada pasien dalam uji klinis Fase II. Penemuan obat ini menandai momen bersejarah karena inhibitor molekul kecil anti-fibrotik pertama di dunia ditemukan dan dirancang menggunakan generative AI.

Keberhasilan INS018_055 memvalidasi efisiensi generative AI dalam mempercepat penemuan obat dan menyoroti potensinya untuk menangani penyakit kompleks.

Hallusinasi dalam Generative AI untuk Penemuan Obat

Saat generative AI maju dalam penemuan obat dengan memungkinkan penciptaan molekul baru, penting untuk menyadari tantangan signifikan yang dihadapi model ini. Model generatif rentan terhadap fenomena yang dikenal sebagai hallusinasi. Dalam konteks penemuan obat, hallusinasi merujuk pada pembentukan molekul yang tampak valid di permukaan tetapi tidak memiliki relevansi biologis atau utilitas praktis. Fenomena ini menyajikan beberapa dilema.

Masalah utama adalah ketidakstabilan kimia. Model generatif dapat menghasilkan molekul dengan sifat teoritis yang menguntungkan, tetapi senyawa ini mungkin tidak stabil secara kimia atau rentan terhadap degradasi. Molekul “hallusinasi” seperti itu mungkin gagal selama sintesis atau menunjukkan perilaku yang tidak terduga dalam sistem biologis.

Selain itu, molekul hallusinasi sering kali tidak memiliki relevansi biologis. Mereka mungkin cocok dengan target kimia tetapi gagal berinteraksi secara bermakna dengan target biologis, membuatnya tidak efektif sebagai obat. Bahkan jika molekul tampaknya menjanjikan, sintesisnya bisa sangat kompleks atau mahal, karena hallusinasi tidak memperhitungkan jalur sintesis praktis.

Celah validasi lebih mempersulit masalah. Sementara model generatif dapat mengusulkan banyak kandidat, pengujian dan validasi eksperimental yang ketat sangat penting untuk mengonfirmasi utilitasnya. Langkah ini penting untuk menjembatani kesenjangan antara potensi teoritis dan aplikasi praktis.

Berbagai strategi dapat diterapkan untuk mitigasi hallusinasi. Pendekatan hibrida yang menggabungkan generative AI dengan pemodelan berbasis fisika atau metode berbasis pengetahuan dapat membantu menyaring molekul hallusinasi. Pelatihan adversarial, di mana model belajar membedakan antara senyawa alami dan hallusinasi, juga dapat meningkatkan kualitas molekul yang dihasilkan. Dengan melibatkan ahli kimia dan ahli biologi dalam proses perancangan iteratif, efek hallusinasi juga dapat dikurangi.

Dengan menangani tantangan hallusinasi, generative AI dapat memperkuat janjinya dalam mempercepat penemuan obat, membuat proses lebih efisien dan efektif dalam mengembangkan obat baru yang layak.

Intinya

Generative AI mengubah industri farmasi dengan mempercepat penemuan obat dan mengurangi biaya. Meskipun tantangan seperti hallusinasi tetap ada, menggabungkan AI dengan metode tradisional dan keahlian manusia membantu menciptakan senyawa yang lebih akurat dan layak. Insilico Medicine menunjukkan bahwa generative AI memiliki potensi untuk menangani penyakit kompleks dan membawa pengobatan baru ke pasar dengan lebih efisien. Masa depan penemuan obat menjadi lebih menjanjikan, dengan generative AI menggerakkan inovasi.