Percepatan Penemuan Obat yang Didorong oleh Biobank Data Sintetis

Pengembangan obat baru membutuhkan rata-rata 10 hingga 15 tahun dan biaya sebesar 2,6 miliar dolar (sekitar 390 miliar yen), dengan sekitar 90% uji klinis berakhir dengan kegagalan. Hukum Eroom (Eroom's Law) yang berlaku selama setengah abad ini——di mana produktivitas penemuan obat menurun setengahnya setiap sekitar 9 tahun, berlawanan arah dengan Hukum Moore——kini sedang dibalik secara fundamental. Penghargaan Nobel Kimia 2024 yang diberikan kepada Demis Hassabis, John Jumper (AlphaFold), dan David Baker (desain protein komputasional) menjadi simbol bahwa penemuan obat berbasis AI telah sepenuhnya meninggalkan fase "apakah mungkin" dan memasuki fase "kapan akan terwujud dalam skala besar". INS018_055 (rentzereltinib) dari Insilico Medicine telah mencapai uji klinis Fase II sebagai obat pertama dalam sejarah yang sepenuhnya ditemukan dan dirancang oleh AI, dan lebih dari 100 molekul yang ditemukan AI telah memasuki uji klinis. Biobank berskala besar seperti UK Biobank (500.000 orang), All of Us (lebih dari 800.000 orang), dan BioBank Japan (270.000 orang) menyediakan "ground truth" genotipe-fenotipe, sementara teknologi data sintetik mengatasi kelangkaan data sambil melindungi privasi. Isomorphic Labs (Alphabet) telah menandatangani kontrak senilai hingga 1,7 miliar dolar (sekitar 255 miliar yen) dengan Eli Lilly dan hingga 1,2 miliar dolar (sekitar 180 miliar yen) dengan Novartis, sementara Xaira Therapeutics didirikan pada tahun 2024 dengan modal awal lebih dari 1 miliar dolar (lebih dari sekitar 150 miliar yen). Pasar penemuan obat berbasis AI diperkirakan akan berkembang dari sekitar 2,5 miliar dolar (sekitar 375 miliar yen) pada tahun 2024 menjadi 10 hingga 12 miliar dolar (sekitar 1,5 triliun hingga 1,8 triliun yen) pada tahun 2030 (CAGR 24–28%). BCG memperkirakan bahwa penemuan obat berbasis AI berpotensi menciptakan nilai sebesar 50 hingga 100 miliar dolar (sekitar 7,5 triliun hingga 15 triliun yen) per tahun di seluruh rantai nilai farmasi. Artikel ini secara komprehensif mengkaji gambaran menyeluruh percepatan penemuan obat, peran data sintetik dan biobank, teknologi dan produk dari perusahaan-perusahaan utama, teknologi komponen, data pasar, serta prospek ke depan.

Tantangan Struktural Penemuan Obat——Mengapa Obat Baru Begitu Mahal dan Lambat

Ketidakefisienan dalam pengembangan obat baru merupakan tantangan paling mendasar dalam industri farmasi.

Menurut estimasi Tufts Center for the Study of Drug Development (CSDD), rata-rata biaya untuk membawa satu obat yang disetujui ke pasar adalah 2,6 miliar dolar AS (sekitar 390 miliar yen), dengan rata-rata waktu yang dibutuhkan 10–15 tahun. Analisis BIO/QLS Advisors/Informa tahun 2021 menunjukkan bahwa peluang obat yang memasuki Fase I untuk akhirnya mendapatkan persetujuan FDA hanya 12%. Tingkat kegagalan keseluruhan uji klinis mencapai sekitar 90%. Di bidang onkologi, probabilitas dari Fase I hingga persetujuan hanya 5%.

Akar dari ketidakefisienan ini tercermin dalam "Hukum Eroom" — kebalikan dari Hukum Moore — yang menyatakan bahwa produktivitas penemuan obat yang disesuaikan dengan inflasi telah berkurang setengahnya setiap sekitar 9 tahun sejak tahun 1950. Penyebabnya adalah regulasi yang semakin ketat, menipisnya "buah yang mudah dipetik" (target yang mudah sudah memiliki obatnya), dan yang paling krusial, kurangnya data biologis yang beragam dan berkualitas tinggi.

Pengeluaran R&D farmasi global melampaui 265 miliar dolar AS (sekitar 39,75 triliun yen) pada tahun 2024 (estimasi IQVIA). Namun sebagian besarnya lenyap sebagai biaya dari uji coba yang gagal. Yang berupaya mengubah paradigma ini secara mendasar adalah tiga serangkai: biobank, data sintetis, dan AI/machine learning.

Biobank——"Kebenaran di Bumi" yang Menghubungkan Genotipe dan Fenotipe

Biobank adalah infrastruktur penelitian yang mengumpulkan dan menyimpan data genomik, sampel biologis seperti darah dan urin, serta rekam kesehatan dari populasi berskala besar dalam jangka panjang. Dalam penemuan obat, biobank menyediakan "ground truth" untuk memvalidasi hubungan kausal antara gen dan penyakit pada tingkat populasi.

UK Biobank adalah biobank paling terkenal di dunia. Sebanyak 500.000 peserta direkrut antara tahun 2006 hingga 2010, dan whole genome sequencing (WGS) untuk seluruh peserta selesai pada tahun 2023. Data proteomik yang mengukur sekitar 3.000 protein dari seluruh 500.000 peserta melalui kerja sama dengan Olink juga telah dipublikasikan. Biobank ini telah menghasilkan lebih dari 30.000 peneliti terdaftar, lebih dari 10.000 proyek yang disetujui, dan lebih dari 8.000 makalah yang telah melalui proses peer review. Total anggaran mencapai sekitar 260 juta pound sterling (sekitar 50 miliar yen). Model akses terbuka memungkinkan peneliti dari seluruh dunia untuk mengakses datanya.

All of Us (NIH, National Institutes of Health, Amerika Serikat) menargetkan lebih dari 1 juta peserta yang mencerminkan keberagaman Amerika Serikat. Per tahun 2025, lebih dari 800.000 orang telah terdaftar, dan lebih dari 500.000 orang telah menyumbangkan sampel biologis. Yang menjadi terobosan adalah bahwa lebih dari 50% peserta berasal dari kelompok ras dan etnis minoritas yang secara historis tersisih dari penelitian. Anggaran fase pertama ditetapkan sebesar 1,4 miliar dolar (sekitar 210 miliar yen).

BioBank Japan (BBJ) memiliki sekitar 270.000 peserta dan 47 penyakit yang menjadi target, dikelola oleh RIKEN dan Universitas Tokyo. Ini adalah salah satu biobank terbesar di dunia untuk populasi non-Eropa, dan sangat penting untuk memahami struktur genetik populasi Asia Timur. Biobank ini telah berkontribusi pada identifikasi lebih dari 200 lokus genetik terkait penyakit.

FinnGen (Finlandia) memiliki lebih dari 500.000 peserta dan sangat berharga terutama dalam penemuan varian langka dengan memanfaatkan efek founder populasi Finlandia. Program ini merupakan kemitraan publik-swasta antara 13 biobank dan 11 perusahaan farmasi (AbbVie, AstraZeneca, Pfizer, dll.).

deCODE Genetics (Islandia) menyimpan genotipe lebih dari 190.000 orang Islandia (lebih dari separuh populasi), dikombinasikan dengan data silsilah lebih dari 1.000 tahun. Perusahaan ini diakuisisi oleh Amgen pada tahun 2012 seharga 415 juta dolar (sekitar 62,25 miliar yen) dan telah berkontribusi pada identifikasi banyak target penemuan obat.

Nilai terbesar yang dibawa data biobank bagi penemuan obat adalah temuan bahwa target obat yang didukung bukti genetik memiliki tingkat keberhasilan uji klinis dua kali lebih tinggi (Nelson et al., Nature Genetics, 2015). Pembaruan oleh King et al. (2019) menunjukkan bahwa obat-obatan yang didukung secara genetik memiliki kemungkinan 2,6 kali lebih tinggi untuk berhasil dari Fase I hingga mendapatkan persetujuan.

Data sintetis — melampaui hambatan privasi dan kelangkaan

Data sintetis adalah teknologi yang menghasilkan data buatan yang tidak dapat mengidentifikasi individu, sambil meniru karakteristik statistik dari data pasien nyata. Teknologi ini memenuhi regulasi privasi HIPAA (AS) dan GDPR (UE) sejak tahap desain.

Nilai data sintetis dalam penemuan obat terbagi dalam tiga aspek. Pertama, mengatasi kelangkaan data. Lebih dari 7.000 jenis penyakit langka diketahui di seluruh dunia, namun banyak di antaranya hanya memiliki ratusan pasien, sehingga desain uji klinis konvensional tidak memungkinkan. Data sintetis menghasilkan kohort berskala ribuan orang yang secara statistik valid dari sejumlah kecil data nyata tersebut. Kedua, berbagi data dengan perlindungan privasi. Beberapa institusi medis dapat melakukan penelitian bersama dalam bentuk data sintetis tanpa berbagi data nyata. Ketiga, simulasi uji klinis (uji in silico). Unlearn.AI memiliki pendekatan yang telah disetujui FDA untuk menghasilkan kelompok kontrol sintetis (digital twin), yang dapat mengurangi ukuran kelompok kontrol sebesar 20–30% dan memungkinkan penghematan biaya 10 juta hingga 50 juta dolar (sekitar 15 miliar hingga 75 miliar yen) per uji coba.

Perusahaan-perusahaan utama di bidang ini antara lain: Syntegra (San Francisco, data EHR sintetis, mengumpulkan sekitar 17 juta dolar dalam Seri A), MDClone (Israel/AS, platform "ADAMS", diadopsi oleh Mayo Clinic dan lainnya, total pendanaan sekitar 63 juta dolar), Gretel.ai (San Diego, jaminan privasi diferensial, mengumpulkan sekitar 68 juta dolar dalam Seri B), Mostly AI (Wina, berfokus pada GDPR, mengumpulkan sekitar 31 juta dolar), dan Datavant (San Francisco, jaringan data yang menghubungkan lebih dari 70.000 rumah sakit, mengumpulkan lebih dari 110 juta dolar).

Pasar data sintetis untuk layanan kesehatan diperkirakan mencapai sekitar 1,2–1,5 miliar dolar (sekitar 180–225 miliar yen) pada tahun 2025, dan akan berkembang menjadi 4–5,5 miliar dolar (sekitar 600–825 miliar yen) pada tahun 2030 (CAGR 25–28%). Gartner memprediksikan bahwa data sintetis akan melampaui data nyata dalam pelatihan model AI pada tahun 2030.

Perusahaan-Perusahaan Utama dalam Penemuan Obat Berbasis AI——Era Baru yang Dibuka oleh Teknologi

Di bidang penemuan obat berbasis AI, perusahaan-perusahaan bernilai miliaran dolar bermunculan dan mentransformasi setiap tahap rantai nilai farmasi.

Recursion Pharmaceuticals (Salt Lake City, NASDAQ: RXRX) telah mengumpulkan total lebih dari 1,5 miliar dolar, dan pada Agustus 2024 mengumumkan merger dengan Exscientia (sekitar 688 juta dolar), menjadikannya salah satu perusahaan penemuan obat berbasis AI terbesar di dunia. Perusahaan ini memiliki "dataset biologi dan kimia proprietary terbesar di dunia" — mencakup triliunan titik data — dan telah menjalin kemitraan multi-tahun dengan NVIDIA (NVIDIA berinvestasi 50 juta dolar). Lebih dari 8 program telah memasuki tahap klinis.

Insilico Medicine (Hong Kong) adalah ikon penemuan obat berbasis AI. INS018_055 (rentosertib) telah mencapai uji klinis Fase II sebagai obat pertama dalam sejarah yang sepenuhnya ditemukan dan dirancang oleh AI — targetnya ditemukan oleh AI (PandaOmics) dan molekulnya dirancang oleh AI (Chemistry42). Obat ini ditujukan untuk idiopathic pulmonary fibrosis (IPF), dan pada Fase IIa dilaporkan menunjukkan keamanan yang dapat diterima serta sinyal efektivitas awal. Perusahaan ini telah menandatangani kontrak dengan Sanofi senilai hingga 1,2 miliar dolar (sekitar 180 miliar yen).

Isomorphic Labs (London, Alphabet/DeepMind) dipimpin oleh CEO Demis Hassabis dan menerapkan teknologi AlphaFold dalam penemuan obat. Pada Januari 2024, perusahaan ini menandatangani kontrak dengan Eli Lilly senilai hingga 1,7 miliar dolar (sekitar 255 miliar yen) dan dengan Novartis senilai hingga 1,2 miliar dolar (sekitar 180 miliar yen). AlphaFold 3 (diumumkan Mei 2024) mampu memprediksi struktur kompleks protein-ligan, protein-DNA, dan protein-RNA, dengan kemampuan yang langsung relevan untuk penemuan obat.

Xaira Therapeutics (San Francisco/Seattle) didirikan pada 2024 dengan modal awal lebih dari 1 miliar dolar. Didukung oleh ARCH Venture Partners, Foresite Capital, Sequoia Capital, dan Lightspeed Venture Partners. Perusahaan ini melisensikan IP dari laboratorium David Baker (Institute for Protein Design, Universitas Washington) dan bertujuan membangun foundation model untuk biologi. Ini merupakan salah satu putaran pendanaan awal terbesar dalam sejarah startup bioteknologi.

Generate Biomedicines (Somerville, MA) didirikan pada 2020 oleh Flagship Pioneering, pencipta Moderna. Telah mengumpulkan lebih dari 573 juta dolar dan merancang obat protein dari nol menggunakan AI generatif. Model difusi "Chroma" yang diterbitkan di jurnal Nature menghasilkan protein dengan karakteristik yang ditentukan.

Absci (Vancouver, WA, NASDAQ: ABSI) berspesialisasi dalam desain antibodi menggunakan AI generatif. Pada Nature Biotechnology (2023), perusahaan ini mempublikasikan demonstrasi pertama perancangan antibodi yang berikatan dengan target secara zero-shot tanpa antibodi awal sebagai titik awal. Telah menandatangani kontrak dengan AstraZeneca senilai hingga 610 juta dolar (sekitar 91,5 miliar yen).

Di Jepang, Takeda Pharmaceutical bermitra dengan Recursion, Schrödinger, dan Exscientia (sebelum merger), serta menginvestasikan lebih dari 500 juta dolar dalam transformasi data/digital. Daiichi Sankyo bekerja sama dengan Preferred Networks (PFN) untuk memanfaatkan AI dalam optimasi ADC (antibody-drug conjugate). Sumitomo Pharma bermitra dengan Exscientia untuk mengembangkan DSP-1181 (obat untuk OCD) — salah satu contoh paling awal molekul yang dirancang AI memasuki uji klinis Fase I.

Teknologi Dasar——Dari AlphaFold hingga Model Fondasi Biologi

Evolusi teknologi komponen yang mendukung penemuan obat berbasis AI sangat mengesankan.

AlphaFold 2 (2020) memecahkan masalah besar selama 50 tahun dalam prediksi struktur protein, dan bekerja sama dengan EMBL-EBI untuk memprediksi dan mempublikasikan struktur lebih dari 200 juta protein. AlphaFold 3 (Mei 2024) mengadopsi arsitektur difusi untuk memprediksi struktur kompleks protein-ligan dan protein-DNA/RNA. Akurasi interaksi protein-ligan meningkat lebih dari 50% dibandingkan metode konvensional. Penghargaan Nobel Kimia 2024 kepada Hassabis, Jumper, dan Baker melambangkan pencapaian di bidang ini.

Generasi molekul dengan model difusi berada di garis terdepan penemuan obat berbasis AI. RFdiffusion (Laboratorium David Baker, Nature 2023) menghasilkan struktur protein baru dengan sifat yang ditentukan. DiffDock (MIT, 2023) menerapkan model difusi pada molecular docking dan melampaui perangkat lunak docking konvensional. Chroma (Generate Biomedicines) adalah model generatif untuk struktur protein.

Model bahasa berskala besar untuk biologi semakin menonjol. ESM-2/ESMFold (Meta AI) dilatih dengan lebih dari 250 juta sekuens protein dan memprediksi struktur langsung dari sekuens. ProGen/ProGen2 (Salesforce Research) menghasilkan sekuens protein fungsional dan membuktikan bahwa protein yang dihasilkan dapat berfungsi sebagai enzim aktif. Evo (Arc Institute, co-founded oleh Patrick Collison, 2024) adalah model fondasi genomik yang dilatih dengan 2,7 juta genom, mampu menghasilkan sekuens DNA dalam skala gen dan genom.

Uji klinis dengan digital twin juga terus berkembang. Unlearn.AI menghasilkan digital twin pasien dari data uji coba sebelumnya dan membangun kelompok kontrol sintetis menggunakan metode penyesuaian kovariat yang disetujui FDA. Ini mengurangi ukuran kelompok kontrol yang diperlukan sebesar 20–30%, menghemat waktu dan biaya.

Perspektif VC Silicon Valley——"Biologi telah menjadi ilmu informasi"

Modal ventura Silicon Valley memposisikan penemuan obat berbasis AI sebagai "peluang investasi sekali dalam satu generasi."

a16z Bio (Andreessen Horowitz) dipimpin oleh Vijay Pande (penemu Folding@home, mantan profesor Stanford), yang membentuk dana Bio senilai lebih dari 1,5 miliar dolar pada 2019–2023. Di bawah tesis "software akan memakan biologi," mereka berinvestasi di Insitro, Freenome, dan lainnya. Pande secara aktif menyuarakan konsep "engineering biology" secara luas.

Flagship Pioneering (Cambridge, MA) adalah perusahaan pembentuk usaha yang melahirkan Moderna (nilai pasar puncak lebih dari 150 miliar dolar). Dipimpin oleh CEO Noubar Afeyan, mereka mengelola lebih dari 10 miliar dolar modal kumulatif. Generate Biomedicines merupakan investasi unggulan mereka di bidang AI-biologi.

ARCH Venture Partners dipimpin oleh Robert Nelsen dan Kristina Burow, dengan investasi di Illumina (sebagai investor awal) dan Xaira Therapeutics (memimpin putaran pendanaan senilai lebih dari 1 miliar dolar). Mereka menyatakan: "Biologi telah menjadi ilmu informasi. Konvergensi AI dan biologi adalah peluang investasi terbesar sekali dalam satu generasi."

Total investasi VC dalam penemuan obat berbasis AI meningkat dari 4,6 miliar dolar pada 2020 menjadi 6,7 miliar dolar pada 2024 (PitchBook, BioCentury), dengan proyeksi mencapai 7–8 miliar dolar pada 2025.

Jensen Huang (CEO NVIDIA) mendeklarasikan "Platform komputasi berikutnya adalah biologi. Semua perusahaan farmasi akan menjadi perusahaan teknologi" (keynote GTC 2024), sementara platform BioNeMo dan GPU (H100/B200) NVIDIA berfungsi sebagai "cangkul dan sekop" dalam penemuan obat berbasis AI.

Pandangan Tokoh Terkemuka — Dari Penerima Nobel hingga Pengusaha VC

Demis Hassabis (CEO Google DeepMind/Isomorphic Labs, Pemenang Nobel Kimia 2024) menyatakan bahwa "AlphaFold adalah pekerjaan terpenting yang pernah saya kerjakan. Ini adalah aplikasi AI yang paling berdampak," dan memprediksi bahwa "dalam 5 tahun, AI akan secara signifikan mempercepat tahap awal penemuan obat, dan dalam 10 tahun, seluruh prosesnya akan berubah secara fundamental."

David Baker (Universitas Washington, Pemenang Nobel Kimia 2024) menyampaikan dalam kuliah Nobelnya: "Kita telah memasuki era di mana kita dapat merancang molekul dari awal yang melakukan hal-hal yang tidak pernah dieksplorasi oleh evolusi alam. Kombinasi desain komputasional dan AI sedang merevolusi apa yang mungkin dilakukan dalam dunia kedokteran."

Daphne Koller (CEO Insitro, Profesor Stanford) mengungkapkan: "Alasan mengapa penemuan obat begitu mahal adalah karena kita melakukan eksperimen pada manusia akibat tidak adanya model prediktif yang cukup baik. Jika kita dapat membangun model prediktif yang lebih baik dengan machine learning, kita bisa gagal lebih cepat, lebih murah, dan lebih awal."

Eric Topol (Direktur Scripps Research Translational Institute) menyatakan bahwa "kita berada di titik balik. Konvergensi data genomik yang kaya dari biobank dan AI akan merevolusi cara penemuan obat dilakukan," serta memprediksi bahwa "pada tahun 2030, tidak memiliki AI dalam pipeline penemuan obat akan seperti tidak memiliki email di kantor. Itu bukan lagi sebuah pilihan."

AI dalam Penemuan Obat dalam Angka——Pasar yang Berkembang Pesat dan Hasil Klinis

Angka-angka dalam penemuan obat berbasis AI mencerminkan pertumbuhan pesat di bidang ini.

Pasar penemuan obat berbasis AI diperkirakan akan tumbuh dari sekitar 2,5 miliar dolar (sekitar 375 miliar yen) pada tahun 2024 menjadi 10–12 miliar dolar (sekitar 1,5 triliun–1,8 triliun yen) pada tahun 2030 (CAGR 24–28%, Precedence Research). Pasar AI in Pharma dalam pengertian yang lebih luas diperkirakan akan melampaui 20 miliar dolar pada tahun 2032 (Grand View Research).

Kemajuan klinis molekul yang ditemukan oleh AI semakin cepat. Per awal tahun 2025, terdapat lebih dari 50 molekul dalam Fase I, 15–20 molekul dalam Fase II, dan 2–3 molekul dalam Fase III yang sedang menjalani uji klinis. Persetujuan FDA pertama diharapkan terjadi pada tahun 2026–2028. Biaya pengurutan seluruh genom telah turun menjadi sekitar 200 dolar (dari 3 miliar dolar pada era Proyek Genom Manusia). Pasar biobank diperkirakan akan berkembang dari sekitar 3,5–4 miliar dolar (sekitar 525 miliar–600 miliar yen) pada tahun 2024 menjadi 6–7 miliar dolar (sekitar 900 miliar–1,05 triliun yen) pada tahun 2030.

Tren Jepang——Persimpangan Biobank dan AI Farmasi

Jepang adalah pemain penting dalam dua aspek: infrastruktur biobank dan penemuan obat berbasis AI.

BioBank Japan memiliki sekitar 270.000 peserta dan mencakup 47 penyakit target, menjadikannya sumber daya yang sangat penting untuk memahami struktur genetik populasi Asia Timur. Lembaga ini juga berkontribusi pada analisis asosiasi seluruh genom trans-etnis (GWAS) bersama UK Biobank dan All of Us.

Tohoku Medical Megabank (ToMMo) didirikan sebagai proyek pemulihan pascabencana Gempa Bumi Besar Jepang Timur tahun 2011, dengan sekitar 150.000 peserta. Panel genom referensi Jepang (3.5KJPNv2/8.3KJPN) merupakan sumber yang tidak tergantikan untuk penelitian genomik yang spesifik terhadap populasi Jepang.

Pemerintah Jepang menargetkan lebih dari 100.000 sekuensing genom kanker melalui "Strategi Implementasi Kedokteran Genomik" (disusun tahun 2019, diperbarui tahun 2023), sementara AMED (Japan Agency for Medical Research and Development) mendukung penelitian penemuan obat dengan anggaran sekitar 400 miliar yen per tahun.

Preferred Networks (PFN) menjalin kemitraan dengan Daiichi Sankyo dan AMED dalam penemuan obat berbasis AI, dengan keunggulan dalam pembelajaran mendalam untuk simulasi molekuler. Perusahaan ini merupakan salah satu startup AI terbesar di Jepang dengan valuasi lebih dari 3,5 miliar dolar.

Tantangan——Hambatan di Balik Optimisme

Masa depan penemuan obat berbasis AI terlihat cerah, namun tantangan penting masih tersisa.

Bias data adalah kekhawatiran terbesar. Sekitar 78% peserta GWAS berasal dari keturunan Eropa (per 2023, sedang dalam perbaikan), dan peserta UK Biobank cenderung lebih sehat, lebih kaya, dan lebih banyak yang berkulit putih dibandingkan rata-rata populasi Inggris. Data sintetis berpotensi menyebarkan dan memperkuat bias yang terkandung dalam data pelatihan.

Ketidakpastian regulasi juga menjadi masalah. Per awal 2026, belum ada obat yang ditemukan oleh AI yang mendapat persetujuan penuh dari FDA/EMA. FDA telah menerbitkan kerangka kerja, namun jalur regulasi khusus untuk obat hasil penemuan AI belum ditetapkan.

Validasi data sintetis pun merupakan tantangan tersendiri. Bagaimana membuktikan bahwa data sintetis mencerminkan biologi nyata secara akurat? Ada risiko bahwa pola "halusinasi"—artefak statistik—dapat terselip ke dalam data sintetis.

Integrasi dengan industri farmasi tradisional juga tidak mudah. Prediksi AI tetap memerlukan validasi di laboratorium basah (wet lab) ("masalah last mile"), dan resistensi budaya berupa "kami selalu melakukannya dengan cara ini" masih cukup mengakar.

Prospek ke Depan——Masa Depan Penemuan Obat Akan Berubah

Para pemimpin industri menunjukkan optimisme yang luar biasa dan seragam mengenai masa depan penemuan obat berbasis AI.

2026–2028: Persetujuan FDA pertama untuk obat yang ditemukan oleh AI diperkirakan akan terwujud (kandidat terkuat adalah INS018_055 atau program Recursion/Exscientia). Penemuan obat berbasis AI akan menjadi praktik standar di perusahaan farmasi besar (McKinsey).

2028–2030: Model fondasi biologi akan mencapai "momen GPT-3" — AI biologi serbaguna yang dapat di-fine-tune untuk tugas penemuan obat apa pun. Integrasi data dunia nyata dari biobank, data sintetis, dan model AI akan menjadi prosedur operasi standar dalam R&D farmasi.

2032–2035: Timeline penemuan obat akan dikompresi menjadi 3–5 tahun untuk banyak indikasi, dengan biaya yang berkurang 50–70%. Obat untuk penyakit langka akan menjadi layak secara ekonomi (saat ini, sekitar 95% dari lebih dari 7.000 penyakit langka tidak memiliki obat yang disetujui).

Alex Zhavoronkov, CEO Insilico Medicine, menyatakan: "Kami telah membuktikan bahwa AI mampu menemukan dan merancang obat. Pertanyaannya bukan lagi 'apakah mungkin', melainkan 'seberapa cepat kita bisa melakukan scaling'." Hari ketika jawaban itu terwujud kini tidak lagi jauh di cakrawala.

Dampak pada Industri

Pertama, kombinasi biobank dan data sintetis secara struktural mulai mengatasi "tembok data" dalam penemuan obat. Data dunia nyata dari UK Biobank (500.000 orang, WGS lengkap), All of Us (lebih dari 800.000 orang, keragaman lebih dari 50%), dan BioBank Japan (270.000 orang) menyediakan "ground truth", sementara data sintetis melampaui batasan privasi dan kelangkaan. Temuan bahwa target penemuan obat dengan dasar genetik memiliki tingkat keberhasilan klinis 2 hingga 2,6 kali lebih tinggi mendukung rasionalitas ekonomis dari kombinasi ini.

Kedua, penemuan obat berbasis AI telah melampaui tahap "bukti konsep" dan memasuki tahap "bukti klinis". Lebih dari 100 molekul yang ditemukan oleh AI sedang dalam uji klinis, dan persetujuan FDA pertama diharapkan pada tahun 2026–2028. Kontrak Isomorphic Labs senilai total 2,9 miliar dolar dengan perusahaan farmasi besar, serta putaran pendanaan awal Xaira Therapeutics yang melebihi 1 miliar dolar, mencerminkan kedalaman kepercayaan terhadap bidang ini.

Ketiga, penghargaan Nobel Kimia kepada Hassabis, Jumper, dan Baker menandakan bahwa konvergensi AI dan biologi telah diakui di tingkat akademis tertinggi. Arsitektur difusi AlphaFold 3 memiliki kemampuan yang langsung relevan untuk penemuan obat, dan bersama model generatif seperti RFdiffusion dan Chroma, era "merancang molekul dari nol" kini menjadi kenyataan.

Keempat, Jepang memiliki posisi unik di persimpangan genomik populasi Asia Timur dan penemuan obat berbasis AI, berkat keberadaan BioBank Japan, ToMMo, AMED, dan PFN. Kemitraan AI dari Takeda, Daiichi Sankyo, dan Sumitomo Pharma menunjukkan bahwa industri farmasi Jepang berpartisipasi aktif dalam transformasi ini.

Referensi: Tufts CSDD Drug Development Cost Study (2020), BIO/QLS Advisors Clinical Trial Success Rates (2021), IQVIA Global R&D Spending Report (2024), Hukum Eroom (Scannell et al., Nature Reviews Drug Discovery, 2012), UK Biobank Open Access Data, NIH All of Us Research Program, BioBank Japan/RIKEN, FinnGen Public-Private Partnership, deCODE Genetics/Amgen, Nelson et al. "The support of human genetic evidence for approved drug indications" (Nature Genetics, 2015), King et al. update (2019), Recursion-Exscientia Merger Announcement (Agustus 2024), Insilico INS018_055 Phase II Results, Isomorphic Labs-Lilly-Novartis Deals (Januari 2024), Xaira Therapeutics $1B+ Launch, AlphaFold 3 Release (Mei 2024), Nobel Prize Chemistry 2024, Generate Biomedicines Chroma (Nature 2023), Absci Zero-Shot Antibody Design (Nature Biotechnology 2023), RFdiffusion (Nature 2023), Evo Model (Arc Institute 2024), Unlearn.AI FDA Guidance, Syntegra/MDClone/Gretel.ai/Datavant Company Data, a16z Bio Fund, Flagship Pioneering, ARCH Venture Partners, PitchBook/BioCentury AI Drug Discovery Funding Data, NVIDIA BioNeMo, Jensen Huang GTC 2024, Demis Hassabis Nobel Lecture, David Baker Nobel Lecture, Daphne Koller a16z Podcast (2023), Eric Topol "Ground Truths" Substack, Patrick Collison Arc Institute, Precedence Research AI Drug Discovery Market, Grand View Research, ToMMo Japanese Reference Genome, AMED Budget Data, Preferred Networks/Daiichi Sankyo Partnership, Takeda Digital Transformation, Sumitomo Pharma/Exscientia DSP-1181