Daftar Isi

 

Penggunaan AI dalam Penemuan Obat Baru: Dari Hitungan Tahun Jadi Hitungan Hari

Penemuan obat baru selama ini dikenal sebagai proses yang panjang, mahal, dan penuh ketidakpastian. Sebuah kandidat obat dapat membutuhkan waktu bertahun-tahun untuk melewati berbagai tahap penelitian sebelum akhirnya bisa digunakan oleh pasien. Bahkan setelah menghabiskan banyak biaya, tidak ada jaminan kandidat tersebut akan berhasil sampai ke tahap akhir.

Namun, perkembangan kecerdasan buatan (AI) mulai mengubah pola tersebut. Teknologi AI kini digunakan untuk membantu ilmuwan mencari kandidat molekul baru, memprediksi interaksi obat dengan target biologis, hingga memperkirakan kemungkinan suatu senyawa memiliki efek samping tertentu.

Jika sebelumnya peneliti harus menyaring senyawa dalam jumlah sangat besar melalui eksperimen laboratorium, AI dapat membantu mempersempit pencarian secara digital. Hasilnya, tahap awal penemuan obat yang sebelumnya bisa memakan waktu berbulan-bulan atau bahkan bertahun-tahun berpotensi dilakukan jauh lebih cepat.

Mengapa Penemuan Obat Membutuhkan Waktu Lama?

Untuk memahami dampak AI, kita perlu melihat bagaimana obat biasanya ditemukan.

Secara sederhana, ilmuwan harus menemukan senyawa yang dapat memengaruhi target biologis tertentu yang berkaitan dengan penyakit. Target tersebut bisa berupa protein, enzim, reseptor, atau mekanisme biologis lainnya.

Masalahnya, jumlah kemungkinan molekul yang dapat dibuat sangat besar. Molekul-molekul tersebut juga memiliki struktur dan karakteristik kimia yang berbeda-beda.

Setelah kandidat ditemukan, peneliti harus mengetahui apakah molekul tersebut benar-benar bekerja sesuai harapan. Mereka juga perlu melihat apakah senyawa tersebut aman, dapat diserap tubuh, mencapai jaringan yang tepat, dan tidak menimbulkan efek samping berbahaya.

Proses ini biasanya melibatkan serangkaian eksperimen laboratorium dan pengujian praklinis sebelum kandidat tertentu dapat memasuki uji klinis pada manusia.

Dengan kata lain, menemukan molekul yang "mungkin bekerja" hanyalah langkah awal. Tantangan sebenarnya adalah menemukan molekul yang bekerja dengan baik sekaligus memiliki profil keamanan yang dapat diterima.

AI Membantu Mencari Kandidat Obat

Salah satu penggunaan AI yang paling menarik adalah virtual screening atau penyaringan kandidat secara komputer.

Bayangkan seorang ilmuwan memiliki jutaan atau bahkan miliaran kemungkinan molekul yang secara teori dapat berinteraksi dengan target penyakit. Menguji semuanya secara langsung di laboratorium jelas tidak praktis.

AI dapat membantu menyaring kumpulan tersebut.

Model pembelajaran mesin dapat mempelajari hubungan antara struktur molekul dan karakteristik biologis dari data penelitian sebelumnya. Berdasarkan pola tersebut, sistem kemudian dapat memberikan prediksi mengenai molekul mana yang paling menjanjikan untuk diteliti lebih lanjut.

Dengan begitu, ilmuwan tidak perlu memulai eksperimen dari jutaan kandidat secara acak. Mereka dapat memprioritaskan sebagian kecil molekul yang menurut prediksi AI memiliki peluang lebih tinggi untuk menghasilkan efek yang diinginkan.

Inilah salah satu alasan AI berpotensi memangkas waktu pada tahap awal drug discovery.

Baca juga : 5 Cara Mengetes Performa HP agar Tahu Seberapa Kencang Perangkatmu

AI Juga Bisa Merancang Molekul Baru

Kemampuan AI tidak berhenti pada pencarian molekul yang sudah tersedia.

Model generatif dapat digunakan untuk membantu merancang struktur molekul baru berdasarkan karakteristik yang diinginkan. Misalnya, peneliti dapat menentukan target biologis tertentu dan beberapa sifat kimia yang diharapkan.

Sistem AI kemudian dapat menghasilkan berbagai rancangan molekul yang secara teori memenuhi kriteria tersebut.

Konsepnya mirip dengan desain menggunakan komputer. Alih-alih ilmuwan mencoba membuat satu struktur molekul demi satu, AI dapat menghasilkan banyak kemungkinan desain secara digital.

Namun, desain yang terlihat menjanjikan di komputer belum tentu menjadi obat yang efektif di dunia nyata. Molekul tersebut tetap harus disintesis dan diuji melalui eksperimen.

Jadi, AI bukan berarti menggantikan laboratorium. AI lebih tepat dipandang sebagai alat untuk membantu ilmuwan menentukan eksperimen mana yang layak dilakukan terlebih dahulu.

Protein Folding Membuka Babak Baru

Salah satu perkembangan penting dalam bidang ini adalah kemampuan AI untuk membantu memahami struktur protein.

Protein memiliki bentuk tiga dimensi yang sangat menentukan cara mereka berinteraksi dengan molekul lain. Mengetahui struktur protein dapat membantu ilmuwan memahami bagian mana yang mungkin menjadi target obat.

Sebelumnya, menentukan struktur protein secara akurat dapat menjadi pekerjaan yang sangat rumit dan memakan waktu.

Kemajuan AI dalam prediksi struktur protein mengubah situasi tersebut. Model seperti AlphaFold menunjukkan bagaimana AI dapat digunakan untuk memperkirakan struktur protein berdasarkan informasi mengenai urutan asam amino.

Informasi struktur tersebut kemudian dapat menjadi salah satu bahan penting dalam penelitian obat.

Jika ilmuwan memiliki gambaran lebih baik mengenai bentuk target biologis, mereka dapat mencari atau merancang molekul yang berpotensi berinteraksi dengannya.

Dari Hitungan Tahun Menjadi Hitungan Hari?

Ungkapan bahwa AI dapat mengubah penemuan obat "dari hitungan tahun menjadi hitungan hari" memang terdengar luar biasa. Namun, konteksnya perlu diperjelas.

AI tidak membuat seluruh proses pengembangan obat selesai dalam hitungan hari.

Yang dapat dipercepat secara signifikan adalah bagian tertentu dari proses, terutama tahap eksplorasi dan penyaringan kandidat.

Dalam beberapa proyek penelitian, komputer dapat mengevaluasi kandidat molekul dalam jumlah sangat besar jauh lebih cepat dibandingkan manusia yang harus melakukan eksperimen satu per satu.

Misalnya, sebuah model AI dapat membantu memilih sejumlah kandidat potensial dari kumpulan senyawa yang sangat besar dalam waktu relatif singkat. Kandidat tersebut kemudian diberikan kepada tim laboratorium untuk diuji.

Dengan cara seperti ini, waktu yang sebelumnya banyak digunakan untuk mencari "jarum di tumpukan jerami" dapat dipangkas.

Jadi, istilah "dari tahun menjadi hari" sebaiknya dipahami sebagai percepatan pada tahap tertentu, bukan berarti sebuah obat baru dapat ditemukan, diuji, dan dijual kepada pasien hanya dalam beberapa hari.

AI Membantu Memprediksi Efek Samping

Selain mencari molekul yang berpotensi efektif, AI juga dapat digunakan untuk memperkirakan risiko suatu kandidat obat.

Sebuah molekul mungkin sangat efektif terhadap target tertentu, tetapi memiliki masalah lain. Misalnya, senyawa tersebut sulit diserap tubuh, terlalu cepat dihancurkan, berinteraksi dengan protein lain, atau berpotensi menimbulkan toksisitas.

Karakteristik seperti ini menjadi sangat penting dalam pengembangan obat.

Model AI dapat menganalisis data kimia dan biologis untuk mencari pola yang berkaitan dengan karakteristik tersebut. Hasil prediksi kemudian dapat digunakan peneliti sebagai salah satu pertimbangan dalam menentukan kandidat mana yang perlu diprioritaskan.

Ini berpotensi mengurangi jumlah kandidat yang gagal pada tahap lebih lanjut.

Peran AI dalam Penyakit yang Sulit Diobati

Teknologi ini juga menarik untuk penyakit yang selama ini sulit mendapatkan terapi baru.

Kanker, penyakit neurodegeneratif, penyakit langka, dan berbagai infeksi merupakan bidang yang membutuhkan pendekatan penelitian baru.

Salah satu tantangannya adalah kompleksitas biologis penyakit tersebut. Tidak selalu ada satu target sederhana yang dapat diserang oleh sebuah obat.

AI dapat membantu peneliti menganalisis kumpulan data biologis yang sangat besar. Data tersebut dapat berasal dari genomik, proteomik, rekam eksperimen, struktur protein, maupun penelitian sebelumnya.

Dengan menggabungkan berbagai sumber data, AI berpotensi menemukan hubungan yang sulit terlihat jika data dianalisis secara manual.

Namun, sekali lagi, hasil tersebut masih berupa hipotesis atau prediksi yang harus diverifikasi melalui penelitian eksperimental.

Bukan Berarti Ilmuwan Akan Tergantikan

Kemunculan AI dalam drug discovery mungkin menimbulkan pertanyaan: apakah suatu hari ilmuwan tidak lagi dibutuhkan?

Kemungkinan tersebut terlalu sederhana.

AI sangat bergantung pada data, model, dan tujuan yang diberikan manusia. Prediksi komputer juga bisa salah. Sebuah molekul yang terlihat menjanjikan dalam simulasi belum tentu berhasil ketika diuji pada sel, hewan, atau manusia.

Karena itu, ilmuwan tetap memiliki peran penting dalam menentukan pertanyaan penelitian, merancang eksperimen, menilai hasil, dan memahami konteks biologis.

AI lebih cocok dianggap sebagai "mesin pembantu" yang memiliki kemampuan luar biasa dalam memproses informasi dalam jumlah besar.

Manusia tetap menjadi pihak yang menentukan bagaimana hasil tersebut digunakan.

Tantangan Besar Masih Menunggu

Walaupun potensinya besar, penggunaan AI dalam penemuan obat bukan tanpa masalah.

Salah satunya adalah kualitas data. Model AI yang dilatih menggunakan data berkualitas buruk dapat menghasilkan prediksi yang juga bermasalah.

Ada pula persoalan interpretasi. Peneliti perlu memahami mengapa model memberikan prediksi tertentu, terutama ketika keputusan tersebut berkaitan dengan penelitian medis.

Selain itu, prediksi AI harus melewati validasi eksperimental. Tidak ada algoritma yang dapat menghapus kebutuhan terhadap pengujian keamanan dan efektivitas.

Regulasi juga menjadi faktor penting. Obat yang akhirnya digunakan manusia harus memenuhi standar keamanan dan efektivitas yang ketat.

Dengan demikian, AI dapat mempercepat proses pencarian, tetapi tidak seharusnya dianggap sebagai jalan pintas untuk melewati proses pembuktian ilmiah.

Masa Depan Drug Discovery

Jika perkembangan AI terus berlanjut, proses penemuan obat kemungkinan akan semakin terintegrasi dengan komputasi.

Ilmuwan dapat menggunakan AI untuk menghasilkan desain molekul, melakukan simulasi, memilih kandidat, kemudian menguji kandidat tersebut di laboratorium. Hasil eksperimen kemudian dapat dimasukkan kembali ke sistem untuk meningkatkan prediksi berikutnya.

Terbentuk semacam siklus antara komputer dan laboratorium.

Komputer membantu menentukan eksperimen yang paling menjanjikan. Laboratorium memberikan data nyata. Data tersebut kembali digunakan untuk memperbaiki model AI.

Siklus seperti ini berpotensi membuat penelitian obat menjadi lebih efisien.

Pada akhirnya, dampak terbesar AI dalam industri farmasi mungkin bukan sekadar membuat komputer bekerja lebih cepat. Yang lebih penting adalah membantu ilmuwan mengambil keputusan penelitian dengan informasi yang jauh lebih banyak.

Penemuan obat memang masih membutuhkan waktu panjang karena keamanan manusia tidak bisa dipastikan hanya melalui simulasi komputer. Namun, AI berpotensi memangkas sebagian pekerjaan pencarian dan penyaringan yang selama ini menjadi salah satu bagian paling melelahkan dalam proses tersebut.

Jika teknologi ini terus berkembang dan dipadukan dengan eksperimen laboratorium, AI dapat menjadi salah satu teknologi penting yang mengubah cara manusia menemukan obat baru—bukan dengan menggantikan ilmuwan, tetapi dengan membuat kemampuan ilmuwan dalam mengeksplorasi dunia biologis menjadi jauh lebih besar.