AI Percepat Penemuan Obat Biologis AstraZeneca

Telset.id – AstraZeneca mengintegrasikan kecerdasan buatan (AI) ke dalam proses penelitian dan pengembangan (R&D) obat biologis untuk mempercepat penemuan kandidat obat baru. Pendekatan ini memungkinkan perusahaan farmasi global tersebut memangkas waktu pengembangan dan mengeksplorasi target penyakit yang sebelumnya dianggap tidak dapat diobati.

Dalam industri farmasi, pengembangan obat biologis merupakan tantangan ilmiah yang mahal dan rawan kegagalan. Sebuah obat baru membutuhkan waktu bertahun-tahun untuk dikembangkan dengan investasi besar, dan sebagian besar kandidat tidak pernah mencapai pasien. Untuk obat biologis—terapi yang terbuat dari protein rekayasa—kompleksitasnya bahkan lebih tinggi. Para ilmuwan harus menjelajahi jutaan kemungkinan molekul untuk menemukan beberapa yang langka yang dapat mengikat target yang tepat, tetap stabil di tubuh manusia, dan dapat diproduksi dalam skala besar.

Saat ini, AI telah menjadi bagian inti dari infrastruktur R&D farmasi. Desain berbantuan AI merupakan bagian yang terus berkembang dalam pengembangan kandidat obat biologis. “Semua yang kami lakukan, baik itu desain, pembuatan, pengujian, atau analisis, kini ditingkatkan secara komputasional,” ujar Puja Sapra, senior vice president dan head of R&D biologics engineering and oncology targeted discovery di AstraZeneca. “Waktu siklus menjadi lebih pendek sementara produktivitas dan inovasi meningkat.”

Sapra menjelaskan bahwa pendekatan AstraZeneca mengikuti siklus build-measure-learn. AI menghasilkan atau memprioritaskan kandidat molekul secara komputasional, memprediksi desain mana yang paling mungkin berhasil. Ilmuwan kemudian memfokuskan sumber daya laboratorium hanya pada kandidat peringkat teratas. Hal ini menghasilkan siklus umpan balik yang lebih ketat dengan lebih sedikit jalan buntu, iterasi yang lebih cepat, dan kemampuan untuk mengejar target penyakit yang sebelumnya dianggap tidak dapat diobati oleh obat-obatan.

Karena jumlah kemungkinan kombinasi molekul jauh melebihi apa yang dapat dieksplorasi oleh tim manusia secara sistematis, penggunaan AI untuk mempersempit dan menyempurnakan opsi pengujian telah menjadi fokus utama dalam desain obat biologis. Perusahaan seperti AstraZeneca secara aktif membangun tim teknik untuk mendorong hal ini lebih jauh.

Menavigasi Masalah Desain Obat yang Kompleks

Selain mempercepat waktu, AI juga diterapkan pada penemuan kelas obat yang sama sekali baru. Obat biologis tradisional biasanya menargetkan satu jalur penyakit. Generasi obat berikutnya dapat mengenai beberapa target secara simultan atau mengirimkan muatan terapeutik secara tepat ke sel-sel tertentu. Mencapai hal ini memerlukan optimasi di banyak variabel sekaligus.

Model berbasis AI dapat membantu mendesain obat biologis multi-spesifik yang semakin kompleks ini. “Sebagai contoh, model semacam itu dapat membantu mengidentifikasi dua atau tiga target mana yang harus diprioritaskan berdasarkan biologi yang mendasarinya, lalu mengoptimalkan di berbagai parameter untuk menyeimbangkan potensi, stabilitas, kemampuan diproduksi, dan keamanan molekul,” jelas Sapra.

“Mengobati yang tidak dapat diobati menjadi kenyataan,” kata Sapra. “Teknologi ini pada akhirnya akan memungkinkan kita mengembangkan obat-obatan untuk target yang dulunya dianggap mustahil untuk dijangkau. Potensi manfaat bagi pasien sangat luar biasa.”

Dalam industri teknologi, inovasi serupa juga terjadi di sektor lain. Misalnya, GM Gandeng WeaveGrid untuk menurunkan biaya pengisian daya kendaraan listrik, menunjukkan bagaimana AI dan data digunakan untuk optimasi di berbagai bidang.

Data sebagai Pembeda Utama

McKinsey memperkirakan bahwa AI generatif, dikombinasikan dengan alat komputasi lainnya, dapat memangkas waktu penemuan obat hingga 50%. Namun, setiap model AI hanya sebaik data pelatihannya. Dalam penemuan obat, itu berarti kuantitas data biologis berkualitas tinggi yang melimpah. Eksperimen dapat menyediakan sumber data yang kaya. Baik berhasil maupun gagal, setiap eksperimen menghasilkan sinyal tentang apa yang berhasil dan tidak.

“Data adalah pembeda kami,” kata Sapra, menjelaskan bahwa kumpulan data perusahaan bersifat proprietary dan multimodal, mencakup struktur molekul, pengukuran pengikatan, profil keamanan, dan hasil manufaktur. “Kami telah membangun portofolio yang sengaja beragam di berbagai area penyakit dan jenis obat. Semua data itu memberdayakan kami untuk menyempurnakan model AI frontier dengan set pelatihan yang lebih kaya dan lebih representatif.”

Ia melanjutkan, “Selanjutnya, kami telah berinvestasi dalam teknologi penyaringan dalam untuk menghasilkan kumpulan data tambahan yang diperlukan dalam volume untuk terus menyempurnakan dan memvalidasi model kami.”

Pendekatan berbasis data ini juga relevan dengan perkembangan lain di industri, seperti Google Maps Segera Hadirkan Fitur baru yang memanfaatkan data pengguna untuk memberikan layanan yang lebih personal.

Membangun Mesin Penemuan Otonom

Untuk menyatukan semua data tersebut di satu tempat, AstraZeneca sedang membangun fasilitas “lab of the future” di Kendall Square, Cambridge, Massachusetts. Di fasilitas ini, AI dan otomatisasi robotik akan membentuk sistem penemuan loop tertutup yang berkelanjutan.

“Di mana mobil self-driving menggunakan sensor dan model untuk menavigasi lingkungannya, sistem ini menggunakan AI untuk membuat prediksi, sistem robotik untuk mengeksekusi eksperimen, dan instrumen untuk menghasilkan data,” jelas Sapra. Data itu langsung dimasukkan kembali ke dalam model, mempercepat setiap siklus berikutnya.

“Sepanjang proses, para ilmuwan akan tetap menjadi pusat, memberikan pengawasan, penilaian, dan arahan strategis yang memastikan output dapat dijelaskan, dapat ditoleransi, dan diarahkan untuk manfaat potensial bagi pasien,” tambahnya.

Pada akhirnya, sistem throughput tinggi yang terotomatisasi akan dapat membuat dan mengevaluasi ribuan interaksi molekuler setiap minggu. “Ini akan menghasilkan data siap-AI dalam skala yang tidak dapat ditandingi oleh alur kerja tradisional,” kata Sapra. “Penanganan sampel robotik, pemeriksaan kualitas otomatis, dan pipeline data terintegrasi juga berpotensi membantu mempercepat waktu pengembangan obat awal secara signifikan.”

Perbatasan Berikutnya: Menghasilkan Obat dari Awal

Pada akhirnya, visi akhir untuk AI dalam penemuan obat biologis adalah apa yang disebut desain “de novo”. Untuk ini, tujuannya adalah agar AI menghasilkan urutan protein yang sama sekali baru yang sesuai dengan sifat obat yang diinginkan. Ini termasuk merancang struktur, memprediksi keamanan, bagaimana ia akan berperilaku dalam tubuh, dan bagaimana membuatnya dapat diproduksi.

“Bidang ini membuat kemajuan besar menuju obat biologis yang sepenuhnya dihasilkan AI, dirancang dari awal hingga kandidat klinis,” kata Sapra. “Saat kami terus memanfaatkan model frontier dan menyempurnakannya dengan kumpulan data yang tepat, kami mendekatkan diri pada kenyataan ini. Saya percaya itu akan datang. Ini hanya masalah waktu.”

Namun, beberapa elemen kunci diperlukan untuk mencapai titik ini. Pertama, data pelatihan yang lebih kaya dan lebih terstandarisasi di seluruh industri. Kedua, tolok ukur evaluasi yang kuat untuk kandidat yang dihasilkan AI. Dan ketiga, tim yang tahu cara bekerja di persimpangan machine learning dan biologi.

Dari semua prasyarat, prediksi keamanan mungkin yang paling penting, dan mungkin yang paling jarang dibahas, kata Sapra. “Salah satu masalah tersulit dalam desain de novo adalah memprediksi apakah molekul yang dihasilkan secara komputasional akan aman dalam tubuh manusia,” jelas Sapra.

AstraZeneca mengatasi hal ini dengan apa yang disebut uji klinis virtual. Ini adalah sistem sel canggih dan model organ skala mikro yang berfungsi sebagai testbed fisik, dipasangkan dengan AI yang belajar dari output mereka. “Sistem ini berpotensi menghasilkan sinyal biologis yang ditingkatkan tanpa hambatan pengujian tradisional, dan mereka adalah bagian penting yang hilang dalam menutup celah antara desain yang dihasilkan AI dan kandidat siap klinis,” tambah Sapra.

Pergeseran yang sedang berlangsung saat ini adalah pergerakan menuju sistem AI agentic yang secara simultan dapat menghasilkan kandidat molekul dan memprediksi seberapa efektif dan aman kemungkinan mereka. Alur kerja otonom ini dapat menghubungkan wawasan tingkat penyakit langsung ke desain molekul, menjembatani apa yang sebelumnya merupakan silo data yang terpisah. “Kompleksitas biologi berjalan beriringan dengan desain molekul,” rangkum Sapra.

Bakat Manusia Membuka Potensi AI

Transformasi yang sedang berlangsung dalam biologi tidak hanya tentang teknologi. “Dengan sistem yang lebih otonom, pengawasan manusia tetap menjadi inti dari pendekatan ini—memastikan AI yang dapat dijelaskan dan etis untuk manfaat pasien,” kata Sapra.

Bagi para ilmuwan, bekerja dengan AI adalah proses kolaboratif. “Para ilmuwan akan bekerja berdampingan dengan sistem model ini,” katanya. “Akan ada dunia di mana model akan mendesain molekul, kemudian para ilmuwan akan bekerja dengan sistem untuk menguji molekul tersebut dan menggabungkan semua data itu.” Melalui proses pemeriksaan, keseimbangan, dan penilaian manusia, model akan berkembang dan terus meningkat, yang pada akhirnya berpotensi memberikan manfaat bagi pasien.

Bagi para insinyur, merancang dan membangun sistem yang efektif dan siap untuk kolaborasi manusia-AI akan berarti memastikan tingkat transparansi dan kemampuan menjelaskan model yang tinggi. Menurut Sapra, tim teknik AstraZeneca mencakup ilmuwan data, spesialis otomatisasi, dan insinyur AI, yang mengembangkan sistem yang bertindak sebagai “mitra berpikir” daripada kotak hitam.

“Insinyur merancang sistem yang menghasilkan, memvalidasi, dan belajar dengan cepat. Dan masalahnya benar-benar sulit: Fusi data multimodal, optimasi loop tertutup, kuantifikasi ketidakpastian, dan kemampuan interpretasi pada titik pengambilan keputusan klinis,” tambahnya.

Dengan mengambil tantangan teknis yang begitu berat, para insinyur dan ilmuwan memiliki kesempatan untuk berkontribusi pada penelitian dan pengembangan perawatan yang berpotensi mengubah hidup bagi banyak penyakit, kata Sapra. “Obat biologis yang dapat kita kembangkan hari ini, dan yang akan kita desain besok, bergantung pada menggabungkan bakat AI dan teknik kelas dunia dengan keahlian ilmiah yang mendalam.”

Perkembangan ini menunjukkan bagaimana AI tidak hanya mengubah industri farmasi, tetapi juga berbagai sektor lainnya. Dalam industri musik, misalnya, Deezer Bantu Deteksi Musik yang dihasilkan AI di platform streaming, menunjukkan bagaimana teknologi ini digunakan untuk menjaga autentisitas konten.

Artikel ini telah diprakarsai dan didanai oleh AstraZeneca. Z4-85058, Juli 2026. Konten ini diproduksi oleh Insights, divisi konten kustom MIT Technology Review. Ini tidak ditulis oleh staf editorial MIT Technology Review. Konten ini diteliti, dirancang, dan ditulis oleh penulis, editor, analis, dan ilustrator manusia. Ini termasuk penulisan survei dan pengumpulan data untuk survei. Alat AI yang mungkin digunakan terbatas pada proses produksi sekunder yang telah melalui tinjauan manusia yang menyeluruh.