Mempercepat Penemuan Obat dengan Desain Terapi Generatif Berbasis AI
Mesin Ideasi Berbasis AI untuk Biofarma
Membawa terapi baru kepada pasien adalah upaya yang mahal dan memakan waktu. Biaya total rata-rata untuk mengembangkan dan memasarkan sebuah obat adalah sekitar 3 miliar dolar, yang mencakup 12–14 tahun. Fase penemuan sendiri mengonsumsi sekitar satu pertiga dari anggaran tersebut dan biasanya membutuhkan sintesis ribuan molekul dan hingga lima tahun untuk menghasilkan satu kandidat pralinis. Lebih lagi, hanya sekitar 10 % senyawa yang memasuki uji Fase I mencapai persetujuan regulator.
Kecerdasan Buatan (AI) berjanji untuk mempercepat fase penemuan ini dan secara dramatis mengurangi biaya. Dengan mengintegrasikan model machine learning canggih dengan komputasi cloud yang kuat, AI dapat membantu ilmuwan merancang senyawa berkualitas lebih tinggi, sehingga menurunkan tingkat kegagalan klinis.
Desain Terapi Generatif Biovia (GTD)
GTD mengotomatisasi penciptaan, pengujian, dan seleksi virtual dari molekul kecil baru. Memanfaatkan AI/ML canggih, platform berbasis cloud ini memandu ilmuwan dalam memilih senyawa berikutnya yang akan disintesis, mengoptimalkan output R&D dan menyingkat timeline pengembangan.
Active Learning
Active learning menggabungkan pemodelan virtual dengan eksperimen dunia nyata untuk mengidentifikasi solusi optimal secara efisien. Dalam penemuan lead molekul kecil, tim memulai dengan model awal yang dibangun dari data uji terbatas—sering hanya beberapa puluh senyawa. Model mencakup kandidat baru yang memperluas dataset. Sintesis dan pengujian berikutnya memberi hasil baru ke dalam model, yang dilatih ulang secara iteratif. Loop ini mengurangi jumlah siklus yang diperlukan untuk konvergen pada lead berpotensi tinggi, mempercepat proses penemuan secara keseluruhan.
Human-in-the-Loop AI (Augmented Intelligence)
GTD menghasilkan ribuan molekul virtual, menjelajahi ruang desain kimia yang luas. Karena optimasi lead adalah tantangan multi-tujuan, sistem mengevaluasi properti seperti potensi, keleguran, hepatotoksisitas, bioavailabilitas, stabilitas metabolik, kemudahan sintesis, dan pertimbangan hak kekayaan intelektual. Ahli laboratorium memberikan wawasan ahli yang melengkapi prediksi mesin, mengarahkan iterasi desain berikutnya. Kolaborasi ini—yang kami sebut “kecerdasan teraugmentasi”—mendorong hasil yang lebih cepat dan lebih akurat.
Lab-in-the-Loop AI
Validasi di laboratorium sangat penting. Lab-in-the-loop AI mengintegrasikan prediksi machine learning yang tidak bias dengan eksperimen langsung, memanfaatkan keahlian ilmuwan. Platform dapat memperhitungkan reagen yang tersedia dari vendor pihak ketiga atau mitra sintesis, membantu organisasi meminimalkan waktu transit dan biaya baik bekerja secara internal atau dengan organisasi penelitian kontrak (CRO). Pengujian berkelanjutan menyediakan data segar yang lebih memperbaiki model prediktif, memperluas ruang kimia yang dieksplorasi hingga ahli obat mengidentifikasi senyawa yang memenuhi profil produk target (TPP).
Pemodelan dan Simulasi
Metode komputasi komplementer—seperti scoring farmakofor, docking molekuler, dan perhitungan bebas energi (FEP)—menyediakan wawasan mekanistik yang akan melarang biaya atau memakan waktu untuk diperoleh secara eksperimental. Mengotomatisasi simulasi ini dalam pipeline generatif memungkinkan ilmuwan mengevaluasi interaksi 3D antara kandidat dan protein terkait penyakit, mempercepat proses pengambilan keputusan.
Studi Kasus: Kisah Sukses Pharma AS
Menggunakan GTD, perusahaan farmasi besar AS membangun model machine learning yang kuat dari set awal senyawa proyek. Sistem kemudian menyarankan serangkaian kandidat baru untuk disintesis dan diuji. Dengan mempelajari motif struktural unik proyek, model mengidentifikasi rangka yang berharga, namun atypis. Ahli obat membatasi desain untuk mempertahankan fitur inti sambil menjelajahi ruang kimia yang sederhana, menghasilkan senyawa dengan rute sintesis yang dikenal dan TPP yang ditingkatkan.
Hasilnya: Sekitar 80 % senyawa yang dihasilkan sistem cocok dengan profil properti yang diprediksi, dan satu senyawa mencapai TPP penuh. Ahli obat melaporkan bahwa sebagian besar proposal menguntungkan—secara struktural mirip dengan kandidat yang ada—dan subset mewakili rangka yang benar-benabaru yang tidak akan muncul melalui metode konvensional. Ini menunjukkan nilai nyata GTD dalam memperluas batas eksplorasi.
Poin Kunci
- Mesin Ideasi yang Efektif – GTD menyediakan ide segar, berbasis data kepada ahli laboratorium, mendorong eksplorasi di luar ruang pencarian tradisional dan meningkatkan intuisi kimia.
- Percepatan Pengembangan Lead – Dengan memprioritaskan kandidat paling menjanjikan, GTD meningkatkan kualitas molekuler, mengurangi biaya eksperimental, dan menyingkat timeline penemuan, berpotensi menghemat jutaan dolar.
- Sinergi antara Ilmuwan dan AI – Loop kolaborasi antara ahli dan algoritma menghasilkan hasil yang superior; ilmuwan mendorong intuisi sementara AI menangani penemuan pola skala besar.
Pikiran Akhir
Alat desain generatif mencapai potensi penuhnya saat terintegrasi dalam alur kerja menyeluruh. Biovia memperluas platform Virtual + Real (V+R) untuk mencakup manajemen permintaan laboratorium, pendaftaran ganda senyawa virtual dan nyata, pengambilan hasil uji, dan pembelajaran ulang model otomatis. Dengan menyematkan kemampuan ini ke dalam proses yang ada, pelanggan dapat memanfaatkan ilmu canggih tanpa mengganggu alur kerja yang established.
