Bagaimana AI Menghancurkan Bottleneck dalam Penemuan Obat Molekul Kecil

Uji 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 tahap awal: Sekitar 80-90 persen kandidat obat gagal untuk disetujui meskipun banyak tahun dan pendanaan yang ekstensif yang dilakukan untuk 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 yang baru sangat penting – dan inilah tempat di mana AI dan kimia komputasi dapat memiliki dampak yang paling signifikan.

Pendekatan AI dan komputasi ini dapat membantu menemukan terapi yang efektif dan baru untuk menargetkan protein yang tepat untuk mengobati penyakit pada tahap awal penemuan dan optimasi, 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 besar gagal dalam uji klinis. Menemukan obat terbaik lebih awal – dan menyingkirkan yang tidak akan berhasil – dapat menyelamatkan satu dekade penelitian yang mahal dan meningkatkan kemungkinan bahwa obat akan lulus uji coba klinis.

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

Kekuatan optimisasi multi-parameter

Di jantung transformasi ini terletak kemampuan yang jauh lebih baik dan lebih cepat daripada manusia yang dikuasai oleh kimia komputasi yang ditenagai AI: optimisasi multi-parameter, proses untuk mengimbangkan beberapa sifat dari obat potensial secara bersamaan – seperti potensi, keamanan, spesifisitas, permeabilitas penghalang 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 memperbaiki satu aspek tanpa mempengaruhi aspek lain. Misalnya, obat yang dimaksudkan untuk mengobati tumor otak perlu dapat menembus penghalang darah-otak agar dapat mencapai otak. Namun, obat yang menembus penghalang 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 penghalang darah-otak terlebih dahulu dan mengatasi sifat lain kemudian, yang berpotensi memindahkan masalah ke tahap selanjutnya daripada mengatasi masalah tersebut dari awal.

Sementara itu, alat komputasi yang ditingkatkan AI secara fundamental mengubah pendekatan untuk perancangan obat. Daripada optimisasi berurutan yang dapat menyebabkan kegagalan pada tahap selanjutnya, AI memungkinkan optimisasi simultan di semua parameter kritis sudah pada tahap penemuan. Dengan AI, peneliti dapat memasukkan data tentang banyak konstrain dan meminta algoritma untuk menemukan molekul yang diketahui bekerja terbaik dengan semua konstrain tersebut – atau menghasilkan yang baru. Dengan menggunakan alat AI generatif 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 obat yang lebih efektif, andal, dan aman untuk pasien.

Langkah selanjutnya: Mengintegrasikan pendekatan AI ke dalam pipa pengembangan

Dengan meningkatnya kompleksitas pendekatan ini, tantangan utama adalah kemampuan untuk melakukannya dalam skala besar. Oleh karena itu, langkah selanjutnya untuk memanfaatkan AI dalam penemuan obat adalah mengintegrasikan 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.

Tantangan industri farmasi sekarang bukanlah apakah untuk mengadopsi perancangan obat komputasi yang ditenagai AI, tetapi seberapa cepat dan efektif hal itu dapat diintegrasikan ke dalam pipa pengembangan yang ada. Sementara tantangan masih 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.