Ada satu hal yang bisa kita sepakati bersama, yaitu bahwa para pemimpin industri di abad ke-21 sedang mencoba untuk menerapkan AI ke seluruh penjuru dunia. Namun meskipun AI telah diterapkan ke hadapan kita dan tidak terbukti berhasil, AI mungkin memiliki setidaknya satu tujuan yang berguna. Misalnya, dengan mempercepat proses perancangan, penemuan dan pengujian obat-obatan baru yang seringkali memakan waktu puluhan tahun.
Mitigasi risiko bukanlah gagasan yang menarik, namun perlu dipahami betapa umum kegagalan proyek obat baru. Sebagai gambaran, pertimbangkan bahwa setiap proyek obat memerlukan waktu antara tiga dan lima tahun untuk membentuk hipotesis yang cukup kuat untuk memulai pengujian di laboratorium. Sebuah studi pada tahun 2022 dari Profesor Duxin Sun menemukan bahwa 90 persen pengembangan obat klinis gagal, dengan setiap proyek menelan biaya lebih dari $2 miliar. Dan jumlah tersebut bahkan belum termasuk senyawa yang ditemukan tidak dapat dikerjakan pada tahap praklinis. Sederhananya, setiap obat yang berhasil harus menghasilkan setidaknya $18 miliar limbah yang dihasilkan oleh obat lain yang tidak berhasil, yang semuanya menjamin bahwa pengobatan yang kurang menguntungkan untuk kondisi yang lebih langka tidak mendapat perhatian sebanyak yang mereka perlukan.
Nicola Richmond adalah Wakil Presiden AI di Benevolent, sebuah perusahaan bioteknologi yang menggunakan AI dalam proses penemuan obatnya. Dia menjelaskan sistem klasik menugaskan peneliti untuk menemukan, misalnya, protein yang berperilaku buruk – penyebab penyakit – dan kemudian menemukan molekul yang dapat membuatnya berperilaku. Setelah mereka menemukannya, mereka perlu mengubah molekul tersebut menjadi bentuk yang dapat diterima oleh pasien, dan kemudian menguji apakah molekul tersebut aman dan efektif. Perjalanan menuju uji klinis pada pasien manusia yang masih hidup membutuhkan waktu bertahun-tahun, dan seringkali hanya itu saja Kemudian peneliti menemukan bahwa apa yang berhasil teori tidak berfungsi di praktik.
Proses saat ini membutuhkan “lebih dari satu dekade dan investasi penelitian senilai miliaran dolar untuk setiap obat yang disetujui,” kata Dr. Chris Gibson, salah satu pendiri Recursion, perusahaan lain yang bergerak di bidang penemuan obat AI. Dia mengatakan kemampuan AI yang hebat adalah menghindari kesalahan dan membantu menghindari peneliti menghabiskan terlalu banyak waktu untuk mencari jalan buntu. Sebuah platform perangkat lunak yang dapat melakukan ratusan opsi sekaligus, dalam kata-kata Gibson, dapat “gagal lebih cepat dan lebih awal sehingga Anda dapat beralih ke target lain.”
Anne E. Carpenter adalah pendiri laboratorium Carpenter-Singh di Broad Institute of MIT dan Harvard. Dia telah menghabiskan lebih dari satu dekade mengembangkan teknik Lukisan Sel, sebuah cara untuk menyorot elemen dalam sel, dengan pewarna, agar dapat dibaca oleh komputer. Dia juga merupakan salah satu pengembang Cell Profiler, sebuah platform yang memungkinkan para peneliti menggunakan AI untuk menelusuri banyak sekali gambar sel yang diwarnai tersebut. Jika digabungkan, pekerjaan ini memudahkan mesin untuk melihat bagaimana sel berubah ketika terkena dampak oleh adanya penyakit atau pengobatan. Dan dengan melihat setiap bagian sel secara holistik – sebuah disiplin ilmu yang dikenal sebagai “omics” – ada peluang lebih besar untuk membuat koneksi yang unggul dalam sistem AI.
Menggunakan gambar sebagai cara untuk mengidentifikasi kemungkinan penyembuhan sepertinya tidak masuk akal, karena tampilannya tidak selalu mewakili keadaan sebenarnya, bukan? Carpenter mengatakan manusia selalu membuat asumsi bawah sadar tentang status medis hanya dari penglihatannya saja. Dia menjelaskan kebanyakan orang mungkin menyimpulkan seseorang mungkin memiliki masalah kromosom hanya dengan melihat wajahnya. Dan dokter profesional dapat mengidentifikasi sejumlah kelainan hanya dengan melihat semata-mata sebagai konsekuensi dari pengalaman mereka. Dia menambahkan bahwa jika Anda mengambil gambar wajah setiap orang dalam populasi tertentu, komputer akan dapat mengidentifikasi pola dan mengurutkannya berdasarkan fitur-fitur umum.
Logika ini berlaku pada gambar sel, sehingga ahli patologi digital dapat membandingkan gambar dari sampel yang sehat dan yang sakit. Jika manusia bisa melakukannya, maka akan lebih cepat dan mudah jika menggunakan komputer untuk menemukan perbedaan skala ini asalkan akurat. “Anda mengizinkan data ini berkumpul sendiri ke dalam kelompok dan sekarang [you’re] mulai melihat polanya,” jelasnya, “saat kami melakukan perawatan [cells] dengan 100.000 senyawa berbeda, satu per satu, kita dapat mengatakan ‘inilah dua bahan kimia itu terlihat sangat mirip satu sama lain.’” Dan penampakan yang benar-benar mirip satu sama lain ini bukan sekadar kebetulan, tapi tampaknya menjadi indikasi bagaimana mereka berperilaku.
Dalam salah satu contohnya, Carpenter menyebutkan bahwa dua senyawa berbeda dapat menghasilkan efek serupa di dalam sel, dan dapat digunakan untuk mengatasi kondisi yang sama. Jika ya, mungkin salah satu dari keduanya – yang mungkin tidak dimaksudkan untuk tujuan ini – memiliki efek samping berbahaya yang lebih sedikit. Lalu ada manfaat potensial dari kemampuan mengidentifikasi sesuatu yang tidak kita ketahui terkena penyakit. “Hal ini memungkinkan kita untuk mengatakan, ‘hei, ada kelompok yang terdiri dari enam gen, lima di antaranya diketahui merupakan bagian dari jalur ini, namun yang keenam, kita tidak tahu apa fungsinya, namun sekarang kita memiliki sebuah petunjuk kuat bahwa ia terlibat dalam proses biologis yang sama.” “Mungkin kelima gen lainnya, apa pun alasannya, bukanlah target langsung yang bagus, mungkin bahan kimianya tidak mengikat,” katanya, “tetapi gen keenam [could be] sangat bagus untuk itu.”
Dalam konteks ini, para startup yang menggunakan AI dalam proses penemuan obat mereka berharap dapat menemukan berlian yang tersembunyi di depan mata. Dr Richmond mengatakan bahwa pendekatan Benevolent adalah tim memilih penyakit yang diinginkan dan kemudian merumuskan pertanyaan biologis seputar penyakit tersebut. Jadi, pada awal sebuah proyek, tim mungkin bertanya-tanya apakah ada cara untuk mengobati ALS dengan meningkatkan, atau memperbaiki, cara kerja sistem tata graha sel. (Untuk lebih jelasnya, ini adalah contoh murni hipotetis yang diberikan oleh Dr. Richmond.)
Pertanyaan tersebut kemudian diajukan melalui model AI Benevolent, yang mengumpulkan data dari berbagai sumber. Mereka kemudian menghasilkan daftar peringkat jawaban potensial terhadap pertanyaan tersebut, yang dapat mencakup senyawa baru, atau obat yang sudah ada yang dapat disesuaikan dengan kebutuhan. Data tersebut kemudian diserahkan kepada peneliti, yang dapat memeriksa apa, jika ada, bobot yang dapat diberikan pada temuannya. Dr. Richmond menambahkan bahwa model tersebut harus memberikan bukti dari literatur atau sumber yang ada untuk mendukung temuannya meskipun pilihannya tidak tepat. Dan, setiap saat, manusia mempunyai keputusan akhir mengenai hasil apa yang harus dicapai dan seberapa giatnya.
Situasi serupa terjadi di Recursion, dengan Dr. Gibson mengklaim bahwa modelnya kini mampu memprediksi “bagaimana obat apa pun akan berinteraksi dengan penyakit apa pun tanpa harus mengujinya secara fisik.” Model tersebut kini telah membentuk sekitar tiga triliun prediksi yang menghubungkan potensi masalah dengan potensi solusinya berdasarkan data yang telah diserap dan disimulasikan. Gibson mengatakan bahwa proses di perusahaan tersebut sekarang menyerupai pencarian web: Para peneliti duduk di terminal, “mengetik gen yang terkait dengan kanker payudara dan [the system] mengisi semua gen dan senyawa lain yang ada [it believes are] terkait.”
“Yang menarik,” kata Dr. Gibson, “adalah kapan [we] lihat gen yang belum pernah didengar siapa pun dalam daftar ini, yang terasa seperti biologi baru karena dunia tidak tahu keberadaannya.” Setelah target diidentifikasi dan temuannya diperiksa oleh manusia, data akan diteruskan ke laboratorium ilmiah internal Recursion. Di sini, peneliti akan menjalankan eksperimen awal untuk melihat apakah apa yang ditemukan dalam simulasi dapat direplikasi di dunia nyata. Dr Gibson mengatakan bahwa laboratorium basah Recursion, yang menggunakan otomatisasi skala besar, mampu menjalankan lebih dari dua juta eksperimen dalam satu minggu kerja.
“Sekitar enam minggu kemudian, dengan sedikit campur tangan manusia, kita akan mendapatkan hasilnya,” kata Dr. Gibson dan, jika berhasil, maka tim akan “benar-benar mulai berinvestasi.” Sebab, hingga saat ini, jangka waktu yang singkat untuk melakukan validasi telah membuat perusahaan “sangat sedikit mengeluarkan uang dan waktu untuk mendapatkannya”. Janjinya adalah, dibandingkan fase praklinis yang memakan waktu tiga tahun, seluruh proses dapat disederhanakan menjadi beberapa pencarian database, beberapa pengawasan, dan kemudian beberapa minggu pengujian ex vivo untuk memastikan apakah firasat sistem layak untuk dilakukan upaya nyata. untuk menginterogasi. Dr. Gibson mengatakan bahwa pihaknya yakin diperlukan “pengerjaan model hewan selama satu tahun dan [compressed] itu, dalam banyak kasus, hingga dua bulan.”
Tentu saja, belum ada kisah sukses yang konkrit, sehingga tidak mengherankan jika perusahaan mana pun di bidang ini dapat menunjukkannya sebagai validasi pendekatan tersebut. Namun Recursion dapat mengutip satu contoh dunia nyata tentang seberapa dekat platformnya dengan keberhasilan studi kritis. Pada bulan April 2020, Rekursi menjalankan rangkaian COVID-19 melalui sistemnya untuk melihat pengobatan potensial. Ini memeriksa obat-obatan dan kandidat yang disetujui FDA dalam uji klinis tahap akhir. Sistem ini menghasilkan daftar sembilan kandidat potensial yang memerlukan analisis lebih lanjut, delapan di antaranya kemudian terbukti benar. Dikatakan juga bahwa Hydroxychloroquine dan Ivermectin, yang keduanya banyak digemari pada awal pandemi, akan gagal.
Dan ada obat-obatan yang diinformasikan oleh AI yang sedang menjalani uji klinis dunia nyata. Rekursi menunjuk pada lima proyek yang saat ini sedang menyelesaikan uji klinis tahap satu (uji pada pasien sehat), atau memasuki tahap dua (uji coba pada orang dengan penyakit langka yang dimaksud). Benevolent telah memulai uji coba tahap pertama BEN-8744, pengobatan untuk kolitis ulserativa yang dapat membantu gangguan radang usus lainnya. Dan BEN-8744 menargetkan inhibitor yang sebelumnya tidak ada kaitannya dengan penelitian yang ada, yang jika berhasil, akan menambah bobot gagasan bahwa AI dapat mengenali hubungan yang terlewatkan oleh manusia. Tentu saja, kami belum bisa mengambil kesimpulan apa pun hingga setidaknya awal tahun depan ketika hasil tes awal tersebut akan dirilis.
Ada banyak pertanyaan yang belum terjawab, termasuk seberapa besar kita harus bergantung pada AI sebagai satu-satunya penentu dalam jalur penemuan obat. Ada juga pertanyaan seputar kualitas data pelatihan dan bias dalam sumber yang lebih luas secara umum. Dr Richmond menyoroti masalah seputar bias dalam sumber data genetik baik dalam hal homogenitas kultur sel dan bagaimana tes tersebut dilakukan. Carpenter mengatakan hasil proyek terbarunya, proyek JUMP-Cell Painting yang tersedia untuk umum, didasarkan pada sel dari satu peserta. “Kami memilihnya dengan alasan yang bagus, tapi ia tetap merupakan satu manusia dan satu tipe sel dari satu manusia itu.” Idealnya, dia memiliki peserta dan jenis sel yang jauh lebih beragam, namun masalahnya saat ini berpusat pada pendanaan dan waktu, atau lebih tepat lagi, ketidakhadiran mereka.
Namun, untuk saat ini, yang bisa kita lakukan hanyalah menunggu hasil dari uji coba awal ini dan berharap hasilnya akan membuahkan hasil. Seperti potensi penerapan AI lainnya, manfaat AI sebagian besar terletak pada kemampuannya meningkatkan kualitas pekerjaan – atau, lebih mungkin, meningkatkan keuntungan bisnis yang bersangkutan. Namun, jika AI dapat membuat tabungan menjadi cukup menarik, maka penyakit-penyakit yang kemungkinan besar tidak dapat memenuhi permintaan investasi dalam sistem yang ada saat ini mungkin memiliki peluang. Hal ini bisa saja runtuh begitu saja, atau mungkin menawarkan harapan nyata bagi keluarga yang berjuang untuk mendapatkan bantuan saat menghadapi kelainan langka.
Artikel ini pertama kali muncul di Engadget di https://www.engadget.com/ai-is-coming-for-big-pharma-150045224.html?src=rss