Thomas Clozel, M.D., Co-Founder dan CEO Owkin – Seri Wawancara

Thomas Clozel, M.D. adalah co‑founder dan CEO Owkin, sebuah perusahaan biotek AI yang merevolusi industri perawatan kesehatan. Dengan latar belakang penelitian klinis, Clozel telah berperan penting memimpin Owkin sejak didirikan pada 2016. Di bawah kepemimpinannya, perusahaan telah mencapai tonggak penting, termasuk mengumpulkan pendanaan signifikan dan menjalin kemitraan strategis dengan perusahaan farmasi besar. Ia adalah mantan Asisten Profesor Onko‑Hematologi Klinis di Hôpital Henri Mondor di Paris serta mantan anggota laboratorium onkologi Dr. Ari Melnick di Weill Cornell Medical College.

Owkin adalah perusahaan bioteknologi AI yang mengembangkan sistem AI otonom untuk mempercepat riset biomedis dan penemuan obat. Didirikan pada 2016 oleh onkolog Thomas Clozel dan peneliti pembelajaran mesin Gilles Wainrib, perusahaan menggabungkan model AI canggih dengan data pasien multimodal, riset biologis, dan keahlian klinis untuk membantu tim farmasi lebih memahami penyakit, mengidentifikasi target terapeutik, menemukan biomarker, dan membuat keputusan R&D yang lebih tepat. Platform unggulannya, K Pro, berfungsi sebagai ilmuwan AI yang dapat mengorkestrasi model khusus dan alat riset untuk menganalisis pertanyaan biologis yang kompleks, dengan Owkin pada akhirnya berupaya mencapai apa yang disebutnya Biological Artificial SuperIntelligence: sistem AI yang dapat memperbaiki diri sendiri dan melakukan sebagian besar proses penemuan obat secara otonom.

Owkin telah menjalin hubungan strategis dengan perusahaan biofarmasi besar termasuk Sanofi, Bristol Myers Squibb, dan MSD, serta membangun jaringan global yang mencakup peneliti akademik, klinisi, mitra data pasien, dan infrastruktur laboratorium.

Karier Anda mencakup hematologi klinis, riset onkologi, dan biologi komputasi. Saat Anda mendirikan Owkin pada 2016, keterbatasan apa yang Anda lihat dalam riset medis konvensional yang meyakinkan Anda bahwa AI dapat membantu ilmuwan memahami penyakit secara berbeda?

Saya adalah seorang onkolog dan melihat pasien berusia 35 tahun dengan kanker, namun tidak ada riwayat yang menjelaskan mengapa mereka mengalaminya atau mengapa mereka kambuh. Kami tidak memiliki ilmu yang memadai untuk menjelaskannya — bahkan dengan seluruh riset seratus tahun terakhir. Jadi saya berpikir: biologi bukanlah masalah skala manusia. Ia memerlukan penalaran lintas skala, dari molekul hingga organisme seluruhnya, serta lintas banyak tipe data sekaligus — dari biopsi jaringan hingga riwayat pengobatan pasien. Untuk itu, kami memerlukan AI. Dan saya percaya satu‑satunya data yang dapat membawa kita paling dekat pada pemahaman itu pada manusia adalah data pasien. Jadi pada 2016 saya mendirikan Owkin bersama Gilles Wainrib, dan kami memulai dengan federated learning — metode yang memungkinkan model AI belajar dari data rumah sakit tanpa data tersebut pernah keluar dari rumah sakit — untuk membuka data itu dan menemukan jawabannya.

Generative AI dapat menghasilkan banyak hipotesis biologis yang masuk akal. Bagaimana peneliti membedakan penemuan baru yang benar-benar orisinal dari korelasi AI‑generated yang meyakinkan namun pada akhirnya salah?

Anda harus menganggap semua hipotesis Anda salah sampai terbukti sebaliknya. Itu memang sengaja. Saya percaya bahwa agen AI frontier — sistem AI otonom yang canggih — ketika diberikan akses ke alat dan data yang tepat, akan lebih baik dalam menghasilkan hipotesis akurat daripada yang dapat kami lakukan saat ini. Di Owkin, model kami memberi peringkat hipotesis berdasarkan seberapa besar kemungkinan hipotesis tersebut bertahan, berdasarkan pola yang dipelajari dari data.

Namun kami tetap harus mengujinya, pertama di laboratorium dan kemudian melalui uji klinis, sebelum kami dapat menaruh kepercayaan penuh pada mereka. Di Owkin kami melakukannya melalui apa yang kami sebut “lab in the loop” — menguji setiap prediksi AI pada sampel biologis nyata sebelum dipercaya — dan kemudian di uji klinis. Jadi kami tetap harus menguji setiap hipotesis secara eksperimental, seperti biasa. Namun AI membantu kami menggunakan sumber daya lebih baik dengan mengarahkan kami ke jalur pengujian yang paling mungkin berhasil.

K Pro menggabungkan patologi, genomik, biologi spasial, dan hasil klinis. Bagaimana penggabungan tipe data yang berbeda ini menghasilkan bukti biologis yang lebih kuat dibandingkan mengandalkan satu set data atau modalitas saja?

Kami berusaha melihat gambaran lengkap apa yang menyebabkan penyakit seseorang. Setiap tipe data memberikan Anda sekilas bagian dari gambaran — namun tidak ada satu pun yang dapat memberikan penjelasan kausal secara keseluruhan.

Jika Anda dapat melihat penyakit dari banyak sudut sekaligus, Anda akan lebih mendekati gambaran penuh. Itulah yang kami upayakan di setiap skala biologi — misalnya, menghubungkan aktivitas gen dengan struktur fisik jaringan, serta menghubungkan biologi dasar pasien (gen dan molekul mereka) dengan apa yang sebenarnya diamati di klinik (gambar jaringan, catatan medis, respons terhadap pengobatan).

Inilah yang membuat AI begitu penting: ia dapat menggabungkan tipe data yang sangat berbeda ini dan menemukan pola mendasar yang mendekati gambaran keseluruhan — sesuatu yang sangat sulit bagi otak manusia lakukan sendiri.

Owkin menyebut penemuan AI sebagai hipotesis, bukan fakta. Tahapan apa yang harus dilalui hipotesis K Pro sebelum tim Anda menganggapnya cukup bermakna secara biologis untuk memengaruhi keputusan pengembangan obat?

Empat tahap.

Pertama, replikasi komputasional: apakah sinyal tetap kuat ketika diperiksa terhadap dataset pasien independen, dan lintas tipe data yang tidak digunakan untuk menghasilkan sinyal tersebut? Langkah ini murah dan mengeliminasi mayoritas kandidat di awal.

Kedua, penelaahan mekanistik: apakah ada penjelasan kausal yang koheren — potongan biologi baru yang masuk akal? Dan apakah bukti benar‑benar mengatakan apa yang diklaim model? Kami meneliti bukti yang mendasari, bukan sekadar kesimpulan. Di sinilah masukan tim biomedical ahli kami sangat penting.

Ketiga, kami mengujinya di laboratorium. Kami memeriksa prediksi menggunakan model yang berasal dari pasien — termasuk organoid (versi miniatur, tumbuh di laboratorium, dari tumor pasien) — melalui pengujian obat dan percobaan penyuntingan gen. Ini adalah tahap di mana korelasi menjadi klaim kausal nyata, atau tidak.

Keempat, pasien. Kami saat ini sedang menguji OKN4395 — kandidat obat yang biologi dasarnya dipahami berkat K Pro — dalam uji klinis INVOKE kami. Kami juga menggunakan uji klinis tersebut untuk meningkatkan AI kami: ia mengumpulkan data pasien terperinci sepanjang proses, sehingga kami tidak hanya menguji obat, tetapi juga menguji apakah penalaran model tentang mekanisme penyakit dan populasi pasien yang tepat memang benar.

Owkin menguji prediksi K Pro terpilih di laboratorium basah menggunakan pendekatan seperti organoid berbasis pasien dan gangguan genetik. Bagaimana umpan balik laboratorium ini meningkatkan sistem, dan apa yang terjadi ketika hasil eksperimental bertentangan dengan prediksi awal?

K Pro memprediksi biologi baru, kami merancang eksperimen, dan mengujinya menggunakan model laboratorium berbasis pasien — termasuk organoid, co‑culture (menumbuhkan tipe sel berbeda bersama untuk melihat interaksinya), dan model di mana gen‑gen tertentu diaktifkan atau dinonaktifkan. Hasilnya kemudian kembali ke sistem untuk memperbaikinya. Saat ini, sebagian dari loop tersebut masih dilakukan secara manual; mengotomasikannya sepenuhnya adalah langkah berikutnya.

Kami sudah mengukur dampak umpan balik ini. Dalam sebuah studi yang kami publikasikan di ArXiv (repositori makalah ilmiah) tahun ini, agen AI yang menerima umpan balik laboratorium iteratif semacam ini 166–185 % lebih baik daripada pemilihan acak dalam mengidentifikasi gen yang secara berarti mengubah perilaku sel — jenis gen yang layak menjadi target obat.

Metode apa yang seharusnya digunakan perusahaan farmasi untuk menilai seorang ilmuwan AI? Haruskah keberhasilan diukur dari akurasi prediksi, reproduktifitas, jumlah target tervalidasi, keputusan uji klinis yang lebih baik, atau standar lain?

Kami berpikir tolok ukur yang paling penting adalah keandalan. AI yang sesekali menghasilkan jawaban sangat akurat memang menarik, tetapi sistem AI hanya menjadi benar‑benar berguna bagi industri ketika mereka dapat menjawab pertanyaan yang sama dengan cara yang sama, secara konsisten, tidak peduli berapa kali Anda menanyakannya.

Itulah yang mengubah sistem ini dari demo mengkilap menjadi fondasi alur kerja nyata. Itulah cara kami membangun K Pro: sehingga penalaran AI di dalamnya mengikuti proses yang sama, dapat direproduksi dan transparan setiap kali menjawab pertanyaan.

Reproduktifitas ilmiah sangat penting dalam riset obat. Bagaimana K Pro menunjukkan kepada peneliti dataset, alur kerja analitis, dan langkah‑langkah penalaran yang berkontribusi pada sebuah kesimpulan sehingga temuan tersebut dapat ditinjau secara independen?

K Pro mendokumentasikan dan menampilkan proses penalaran AI yang dilalui untuk menjawab setiap kueri.

Setiap dataset yang digunakannya diidentifikasi oleh sumber dan versinya. Anda dapat melihat kelompok pasien menyempit pada setiap langkah penyaringan — misalnya, bagaimana empat ribu pasien menjadi tiga ratus. Setiap alat yang dipanggil ditampilkan. Setiap “skill” yang dipakai ditampilkan. Setiap langkah penalaran ditampilkan.

“Skill” adalah alur kerja ilmiah yang telah dikodekan sekali — urutan analisis, ambang batas, penalaran — yang kemudian diterapkan K Pro secara identik setiap kali relevan. Skill sangat penting untuk reproduktifitas, karena mereka merupakan salah satu cara K Pro mengurangi variabilitas alami sistem AI — tugas yang dijalankan dua kali harus memberikan jawaban yang sama. Kami terus mengembangkannya, karena kemampuan memverifikasi pekerjaan AI merupakan keunggulan utama di industri kami.

Owkin mengembangkan agen K Pro khusus untuk AstraZeneca dan Sanofi. Apa yang Anda pelajari dari kolaborasi ini tentang mengintegrasikan ilmuwan AI ke dalam alur kerja farmasi yang sudah mapan tanpa mengurangi pengawasan manusia, tata kelola, atau ketelitian ilmiah?

Anda harus menyesuaikan diri dengan posisi perusahaan farmasi. Setiap perusahaan memiliki konfigurasi, sejarah, dan tingkat adopsi AI yang berbeda — dan di dalam tiap perusahaan, tim‑tim yang berbeda memiliki kebutuhan yang berbeda pula.

Pengalaman kami bekerja dengan perusahaan farmasi selama hampir satu dekade menunjukkan bahwa mereka selalu memprioritaskan pengawasan dan ketelitian, dan Anda tidak akan masuk ke dalam pintu tanpa memenuhi standar tata kelola mereka.

Karena itu kami membangun K Pro agar dapat diinterpretasikan — artinya Anda dapat melihat cara ia menalar, alat apa yang dipilih, dan data apa yang dipanggil — cukup fleksibel untuk bekerja dalam sistem yang sudah ada tanpa mengharuskan perubahan infrastruktur, serta dapat mengakses data proprietari tepat di tempat penyimpanan asalnya, tanpa pernah memindahkan atau menggandakan data.

Hal itu sangat membantu membangun kepercayaan yang diperlukan untuk adopsi oleh perusahaan farmasi.

Data pasien multimodal dapat mengandung bias institusional, anotasi yang tidak konsisten, dan populasi yang kurang terwakili. Bagaimana Owkin mencegah keterbatasan ini menjadi kesimpulan biologis yang menyesatkan atau mempersempit pasien yang mungkin mendapat manfaat dari penemuan?

Semua data mengandung bias, baik dari laboratorium asalnya maupun dari populasi pasien yang diwakilinya. Pendekatan kami adalah memahami dataset sekomprehensif mungkin, sehingga kami dapat mengidentifikasi apakah bias ada dan bagaimana cara mengatasinya.

Kami dapat melakukan ini karena memiliki hubungan kuat dengan peneliti yang awalnya menghasilkan setiap dataset, dan mereka membantu kami meneliti secara mendalam.

Kami yakin bahwa jika dataset yang relevan ada, kami dapat menemukannya. Namun bila ada celah — misalnya, populasi pasien tidak terwakili dengan baik dalam data yang ada — kami dapat menghasilkan data baru dengan standar ketat sendiri, bekerja sama dengan mitra akademik, seperti yang kami lakukan dengan dataset MOSAIC kami.

Anda menyebut tujuan jangka panjang Owkin sebagai Biological Artificial SuperIntelligence. Kapabilitas apa yang membedakan hal itu dari alat riset AI saat ini, dan bukti apa yang akan meyakinkan Anda bahwa sebuah sistem AI benar‑benar memahami biologi, bukan sekadar mengidentifikasi pola yang semakin canggih?

Biological Artificial SuperIntelligence (BASI) — istilah kami untuk sistem AI yang mampu secara mandiri mengusulkan biologi baru yang benar — muncul ketika sistem AI mulai secara konsisten menyarankan biologi penyakit baru yang belum diungkap oleh riset manusia, dan kemudian terbukti benar.

Kami sedang membangun menuju hal itu dengan sistem yang dapat:

• Bekerja secara otonom, menyempurnakan hipotesisnya sendiri tanpa memerlukan intervensi manusia pada setiap langkah, termasuk merancang dan menjalankan eksperimen di laboratorium otomatis
• Menalar sebab‑akibat dalam sistem biologis, bukan sekadar menemukan korelasi

Mengenai apakah AI benar‑benar “memahami” biologi, itu pertanyaan filosofis yang menarik. Pada titik mana representasi internal model menjadi cukup kompleks untuk dihitung sebagai pemahaman nyata, bukan sekadar pencocokan pola yang sangat canggih? Untuk saat ini, saya puas dengan AI yang dapat secara andal menyarankan biologi baru yang ternyata benar.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut sebaiknya mengunjungi Owkin.