Bagaimana AI Menghancurkan Bottleneck dalam Penemuan Obat Molekul Kecil

Uji coba klinis untuk pengembangan obat terkenal lambat dan mahal, dan hanya sebagian kecil kandidat obat yang akhirnya disetujui oleh otoritas pengawas. Bottleneck yang luas dalam proses penemuan obat tradisional sudah sangat familiar bagi mereka di industri farmasi: Fase klinis saja membutuhkan waktu sekitar satu dekade dan menyumbang hampir tiga perempat dari biaya R&D, dengan biaya rata-rata pengembangan obat meningkat menjadi $2,2 miliar pada tahun 2024.

Mungkin yang paling kritis, industri farmasi telah bergelut dengan memprediksi hasil pengembangan yang sukses selama pekerjaan fase awal: Sekitar 80-90 persen kandidat obat gagal untuk disetujui meskipun banyak tahun dan pendanaan yang ekstensif yang dimasukkan ke dalam pengembangannya. Keamanan obat adalah alasan besar untuk itu, dengan toksisitas yang tidak terduga menyumbang sekitar 30 persen kegagalan pengembangan obat.

Molekul yang ditemukan AI lebih sukses dalam uji coba Fase I

Namun, data yang muncul menunjukkan bahwa kecerdasan buatan dan pendekatan komputasi tidak hanya menangani tantangan ini – mereka secara fundamental mengubah kemampuan kita untuk memprediksi hasil yang sukses. Tahap awal pengembangan obat baru sangat penting – dan inilah tempat di mana AI dan kimia komputasi dapat membuat dampak yang paling signifikan.

Pendekatan AI dan komputasi ini dapat membantu menemukan terapi baru yang efektif untuk menargetkan protein yang tepat untuk mengobati penyakit pada tahap penemuan dan optimasi awal, bukan kemudian dalam proses, yang telah lama menjadi kasus. Prediksi toksisitas komputasi khususnya sangat membantu pada tahap awal penemuan obat, karena dapat mengecualikan molekul yang kemungkinan gagal dalam uji coba klinis. Menemukan obat terbaik lebih awal – dan menyingkirkan yang tidak akan bekerja – dapat menghemat dekade penelitian yang mahal dan meningkatkan kemungkinan bahwa obat akan lulus fase uji coba klinis.

Penelitian terbaru tentang perusahaan biotek yang asli AI menunjukkan tren yang menggembirakan yang menunjukkan bahwa pendekatan komputasi mulai mengatasi beberapa tantangan paling mendasar dalam penemuan obat. Misalnya, analisis yang diterbitkan dalam Drug Discovery Today menemukan bahwa molekul yang ditemukan AI secara substansial lebih sukses daripada rata-rata industri sejarah dalam uji coba Fase I – mencapai tingkat keberhasilan 80-90 persen dalam Fase I, dibandingkan dengan rata-rata industri 40-65 persen.

Keberhasilan awal ini sangat signifikan karena menunjukkan bahwa pendekatan yang digerakkan oleh AI menyelesaikan salah satu tantangan paling mendasar dalam penemuan obat: merancang molekul yang memiliki karakteristik多 yang diperlukan untuk pengembangan farmasi.

Kekuatan optimisasi multi-parameter

Di jantung transformasi ini terletak kemampuan yang AI-powered kimia komputasi lebih baik dan lebih cepat daripada manusia: optimisasi multi-parameter, proses mengimbangkan beberapa sifat dari obat potensial pada saat yang sama – seperti kekuatan, keamanan, spesifisitas, permeabilitas sawar darah-otak dan banyak lainnya. Ini membuatnya lebih akurat, lebih cepat, dan lebih efisien untuk merancang kandidat paling menjanjikan, bahkan jika sifat-sifat tersebut bertentangan satu sama lain.

Pendekatan tradisional untuk penemuan obat hanya dapat mengoptimalkan satu parameter pada satu waktu, membuatnya sulit untuk meningkatkan satu aspek tanpa mempengaruhi aspek lain. Misalnya, obat yang dimaksudkan untuk mengobati tumor otak perlu dapat menembus sawar darah-otak sehingga dapat mencapai otak. Tapi obat yang menembus sawar dengan efisien mungkin tidak cukup selektif tentang targetnya, yang dapat mengurangi efektivitas obat atau menyebabkan efek sampingan yang tidak diinginkan. Pendekatan tradisional mungkin mengoptimalkan masalah seperti permeabilitas sawar darah-otak terlebih dahulu dan mengatasi sifat lain kemudian, yang berpotensi mendorong masalah ke jalan lain daripada menanganinya di awal proses.

Sementara itu, alat komputasi yang ditingkatkan dengan AI secara fundamental mengubah pendekatan untuk desain obat. Daripada optimisasi berurutan yang dapat menyebabkan kegagalan tahap akhir, AI memungkinkan optimisasi simultan di semua parameter kritis sudah dalam tahap penemuan. Dengan AI, peneliti dapat memasukkan data tentang banyak konstrain dan meminta algoritma untuk menemukan molekul yang diketahui yang bekerja terbaik dengan semua konstrain tersebut – atau menghasilkan yang baru. Menggunakan alat generatif AI dan pembelajaran mesin yang berkembang pesat untuk mengembangkan kandidat obat optimal lebih cepat dan lebih akurat, dengan menganalisis beberapa parameter secara bersamaan, meningkatkan kemungkinan keberhasilan dan pada akhirnya diharapkan dapat mengarah pada pengembangan pengobatan yang lebih efektif, dapat diandalkan, dan aman untuk pasien.

Alat komputasi berbasis AI juga dapat mempelajari persyaratan unik untuk area terapi yang berbeda. Algoritma AI dapat menggabungkan persyaratan yang halus ini untuk menghasilkan kandidat obat yang disesuaikan untuk penyakit dan organ target tertentu daripada hanya memenuhi kriteria umum untuk menjadi molekul yang seperti obat. Misalnya, senyawa yang menargetkan tumor otak menghadapi tantangan optimisasi yang berbeda daripada yang dirancang untuk peradangan kronis yang terkait dengan arthritis, diabetes, aterosklerosis, dan penyakit lain.

Untuk benar-benar memberdayakan pendekatan yang digerakkan oleh AI ini, diperlukan dataset molekul yang ultra-besar, baik untuk penyaringan dan, lebih penting lagi, untuk melatih model ini. Semakin besar dataset, semakin banyak ruang kimia yang diliput, yang juga meningkatkan kemungkinan keberhasilan. Sebagai gantinya, peneliti komputasi dapat menyaring sebanyak miliaran molekul.

Langkah selanjutnya: Mengintegrasikan pendekatan AI ke dalam pipa pengembangan

Dengan kompleksitas yang meningkat dari pendekatan ini, tantangan besar adalah kemampuan untuk melakukan tugas ini dalam skala besar. Oleh karena itu, langkah selanjutnya untuk memanfaatkan AI dalam penemuan obat adalah untuk menggabungkan alat yang memungkinkan proses penemuan untuk diperbesar melalui penggunaan agen AI – sistem komputasi otonom yang dapat melakukan tugas atau proses kompleks tanpa intervensi manusia yang konstan.

Misalnya, agen dapat digunakan untuk mengumpulkan dan menganalisis jumlah informasi yang diperlukan dan tumbuh terus serta menyingkirkan kandidat obat yang kurang relevan.

Setelah agen dilatih pada banyak parameter, konstrain kimia, dan variabel lain seperti tingkat toksisitas dan persyaratan FDA, mereka akhirnya akan dapat memberikan peneliti dengan kandidat molekul terkemuka untuk penyakit apa pun.

Tantangan industri farmasi sekarang bukanlah apakah untuk mengadopsi desain obat komputasi yang digerakkan oleh AI, tetapi seberapa cepat dan efektif itu dapat diintegrasikan ke dalam pipa pengembangan yang ada. Sementara tantangan tetap ada, bukti awal menunjukkan bahwa AI dan kimia komputasi memegang kunci untuk obat yang lebih baik yang dikembangkan lebih efisien dan mencapai lebih banyak pasien lebih cepat dari sebelumnya.