Pecutan Penemuan Ubat Melalui Data Sintetik dan Biobank

Pembangunan ubat baru memerlukan purata 10 hingga 15 tahun dan kos sebanyak 2.6 bilion dolar (kira-kira 390 bilion yen), dengan sekitar 90% ujian klinikal berakhir dengan kegagalan. Hukum Eroom (Eroom's Law) yang telah berlaku selama setengah abad ini — di mana produktiviti penemuan ubat berkurangan separuh setiap kira-kira 9 tahun, berkebalikan dengan Hukum Moore — kini sedang ditumbangkan dari asasnya. Penganugerahan Hadiah Nobel Kimia 2024 kepada Demis Hassabis, John Jumper (AlphaFold), dan David Baker (reka bentuk protein secara komputasi) merupakan simbol bahawa penemuan ubat berasaskan AI telah sepenuhnya meninggalkan fasa "adakah mungkin" dan memasuki fasa "bilakah ia akan direalisasikan secara besar-besaran". INS018_055 (rentsertiб) daripada Insilico Medicine telah mencapai ujian klinikal Fasa II sebagai ubat pertama dalam sejarah yang sepenuhnya ditemui dan direka bentuk oleh AI, dan lebih daripada 100 molekul yang ditemui oleh AI telah memasuki ujian klinikal. Biobank berskala besar seperti UK Biobank (500,000 peserta), All of Us (lebih 800,000 peserta), dan BioBank Japan (270,000 peserta) menyediakan "kebenaran lapangan" bagi genotip-fenotip, manakala teknologi data sintetik mengatasi kelangkaan data sambil melindungi privasi. Isomorphic Labs (Alphabet) telah memeterai kontrak bernilai sehingga 1.7 bilion dolar (kira-kira 255 bilion yen) dengan Eli Lilly dan sehingga 1.2 bilion dolar (kira-kira 180 bilion yen) dengan Novartis, sementara Xaira Therapeutics ditubuhkan pada tahun 2024 dengan modal permulaan melebihi 1 bilion dolar (kira-kira lebih 150 bilion yen). Pasaran penemuan ubat berasaskan AI dijangka berkembang daripada kira-kira 2.5 bilion dolar (kira-kira 375 bilion yen) pada tahun 2024 kepada 10 hingga 12 bilion dolar (kira-kira 1.5 trilion hingga 1.8 trilion yen) menjelang 2030 (CAGR 24 hingga 28%). BCG menganggarkan bahawa penemuan ubat berasaskan AI berpotensi mencipta nilai sebanyak 50 hingga 100 bilion dolar (kira-kira 7.5 trilion hingga 15 trilion yen) setahun merentasi seluruh rantaian nilai farmaseutikal. Makalah ini mengkaji secara menyeluruh gambaran keseluruhan pecutan penemuan ubat, peranan data sintetik dan biobank, teknologi serta produk syarikat-syarikat utama, teknologi komponen, data pasaran, dan prospek masa hadapan.

Cabaran Struktur dalam Penemuan Ubat——Mengapa Ubat Baru Begitu Mahal dan Lambat

Ketidakcekapan dalam pembangunan ubat baharu merupakan cabaran paling mendalam dalam industri farmaseutikal.

Menurut anggaran Pusat Kajian Pembangunan Ubat (CSDD) Universiti Tufts, kos purata untuk membawa satu ubat yang diluluskan ke pasaran ialah 2.6 bilion dolar (kira-kira 390 bilion yen), dengan tempoh purata 10 hingga 15 tahun. Analisis BIO/QLS Advisors/Informa pada 2021 menunjukkan bahawa ubat yang memasuki Fasa I hanya mempunyai peluang 12% untuk akhirnya mendapat kelulusan FDA. Kadar kegagalan keseluruhan ujian klinikal mencapai kira-kira 90%. Dalam bidang onkologi, peluang daripada Fasa I hingga mendapat kelulusan hanyalah 5%.

Punca ketidakcekapan ini dinyatakan melalui "Hukum Eroom" — bacaan terbalik kepada Hukum Moore — di mana produktiviti penemuan ubat selepas pelarasan inflasi telah berkurangan separuh setiap kira-kira sembilan tahun sejak 1950. Puncanya ialah pengetatan peraturan, kekurangan "buah yang tergantung rendah" (sasaran yang mudah sudah pun ada ubatnya), dan yang paling kritikal, kekurangan data biologi yang berkualiti tinggi dan pelbagai.

Perbelanjaan R&D farmaseutikal global melebihi 265 bilion dolar (kira-kira 39.75 trilion yen) pada 2024 (anggaran IQVIA). Namun sebahagian besarnya lenyap sebagai kos ujian yang gagal. Yang berusaha mengubah paradigma ini secara mendasar ialah gabungan tiga unsur: biobank, data sintetik, dan AI/pembelajaran mesin.

Biobank——"Kebenaran di Bumi" yang Menghubungkan Genotip dan Fenotip

Biobank ialah infrastruktur penyelidikan yang mengumpul dan menyimpan data genom, sampel biologi seperti darah dan air kencing, serta rekod kesihatan daripada populasi besar dalam jangka masa panjang. Dalam penemuan ubat, ia menyediakan "kebenaran lapangan" untuk mengesahkan hubungan sebab-akibat antara gen dan penyakit pada peringkat populasi.

UK Biobank ialah biobank paling terkenal di dunia. Sebanyak 500,000 orang telah direkrut antara tahun 2006 hingga 2010, dan penjujukan keseluruhan genom (WGS) bagi semua peserta telah selesai pada tahun 2023. Data proteomik yang mengukur kira-kira 3,000 protein bagi kesemua 500,000 peserta melalui kerjasama dengan syarikat Olink turut telah diterbitkan. Ia telah melahirkan lebih 30,000 penyelidik berdaftar, lebih 10,000 projek yang diluluskan, serta lebih 8,000 makalah berwasit. Bajet terkumpul adalah lebih kurang £260 juta (kira-kira ¥50 bilion). Model akses terbuka membolehkan penyelidik di seluruh dunia mengakses data tersebut.

All of Us (NIH, Institut Kesihatan Kebangsaan Amerika Syarikat) menyasarkan lebih 1 juta peserta yang mencerminkan kepelbagaian masyarakat Amerika. Pada tahun 2025, lebih 800,000 orang telah mendaftar, dan lebih 500,000 orang telah menyumbangkan sampel biologi. Aspek yang mengkagumkan ialah lebih 50% peserta terdiri daripada kaum dan etnik minoriti yang secara sejarahnya telah terpinggir daripada penyelidikan. Bajet fasa pertama ditetapkan sebanyak $1.4 bilion (kira-kira ¥210 bilion).

BioBank Japan (BBJ) mempunyai kira-kira 270,000 peserta dan 47 penyakit sasaran, dikendalikan oleh RIKEN dan Universiti Tokyo. Ia merupakan salah satu biobank terbesar di dunia bagi populasi bukan Eropah, dan amat penting untuk memahami struktur genetik populasi Asia Timur. BBJ telah menyumbang kepada pengenalpastian lebih 200 lokus gen yang berkaitan dengan penyakit.

FinnGen (Finland) mempunyai lebih 500,000 peserta dan amat bernilai terutamanya dalam penemuan varian langka dengan memanfaatkan kesan pengasas Finland. Ia merupakan perkongsian awam-swasta antara 13 biobank dan 11 syarikat farmaseutikal (AbbVie, AstraZeneca, Pfizer dan lain-lain).

deCODE Genetics (Iceland) memiliki data genotip lebih 190,000 orang Iceland (melebihi separuh daripada jumlah penduduk), digabungkan dengan data salasilah keturunan melebihi 1,000 tahun. Ia diambil alih oleh Amgen pada tahun 2012 dengan harga $415 juta (kira-kira ¥62.25 bilion) dan telah menyumbang kepada pengenalpastian pelbagai sasaran penemuan ubat.

Nilai terbesar yang dibawa oleh data biobank kepada penemuan ubat ialah dapatan bahawa sasaran penemuan ubat yang disokong oleh bukti genetik mempunyai kadar kejayaan ujian klinikal dua kali ganda lebih tinggi (Nelson et al., Nature Genetics, 2015). Kemas kini oleh King et al. (2019) pula menunjukkan bahawa ubat dengan sokongan genetik mempunyai kebarangkalian 2.6 kali lebih tinggi untuk berjaya dari Fasa I hingga kelulusan.

Data Sintetik — Melampaui Halangan Privasi dan Kelangkaan

Data sintetik ialah teknologi yang menghasilkan data buatan yang tidak boleh mengenal pasti individu sambil meniru ciri-ciri statistik data pesakit sebenar. Teknologi ini memenuhi peraturan privasi HIPAA (Amerika Syarikat) dan GDPR (EU) sejak peringkat reka bentuk.

Nilai data sintetik dalam penemuan ubat terdapat tiga aspek. Pertama, mengatasi kekurangan data. Lebih 7,000 jenis penyakit jarang diketahui di seluruh dunia, namun kebanyakannya hanya mempunyai beberapa ratus pesakit, menjadikan reka bentuk ujian klinikal tradisional mustahil. Data sintetik menjana kohort berskala ribuan orang yang secara statistik sah daripada data sebenar yang terhad ini. Kedua, perkongsian data dengan perlindungan privasi. Pelbagai institusi perubatan boleh menjalankan penyelidikan bersama dalam bentuk data sintetik tanpa berkongsi data sebenar. Ketiga, simulasi ujian klinikal (ujian in silico). Unlearn.AI mempunyai pendekatan yang diluluskan FDA untuk menjana kumpulan kawalan sintetik (digital twin), yang boleh mengurangkan saiz kumpulan kawalan sebanyak 20~30%, membolehkan penjimatan kos 10 juta hingga 50 juta dolar (kira-kira 1.5 bilion hingga 7.5 bilion yen) per ujian.

Antara syarikat utama termasuk Syntegra (San Francisco, data EHR sintetik, mengumpul kira-kira 17 juta dolar dalam Siri A), MDClone (Israel/AS, platform "ADAMS", diterima pakai oleh Mayo Clinic dan lain-lain, mengumpul kira-kira 63 juta dolar secara kumulatif), Gretel.ai (San Diego, jaminan privasi pembezaan, mengumpul kira-kira 68 juta dolar dalam Siri B), Mostly AI (Vienna, khusus GDPR, mengumpul kira-kira 31 juta dolar), dan Datavant (San Francisco, rangkaian data yang menghubungkan lebih 70,000 hospital, mengumpul lebih 110 juta dolar).

Pasaran data sintetik penjagaan kesihatan dijangka berkembang kepada kira-kira 1.2 hingga 1.5 bilion dolar (kira-kira 180 bilion hingga 225 bilion yen) pada tahun 2025, dan 4.0 hingga 5.5 bilion dolar (kira-kira 600 bilion hingga 825 bilion yen) menjelang 2030 (CAGR 25~28%). Gartner meramalkan bahawa data sintetik akan melampaui data sebenar dalam latihan model AI menjelang tahun 2030.

Syarikat-syarikat Utama dalam Penemuan Ubat Berasaskan AI——Era Baharu yang Dibuka oleh Teknologi

Dalam bidang penemuan ubat AI, syarikat-syarikat bernilai berbilion dolar telah muncul, merevolusikan setiap peringkat rantaian nilai farmaseutikal.

Recursion Pharmaceuticals (Salt Lake City, NASDAQ: RXRX) telah mengumpulkan lebih daripada $1.5 bilion secara kumulatif, dan pada Ogos 2024 mengumumkan penggabungan dengan Exscientia (kira-kira $688 juta), menjadikannya salah satu syarikat penemuan ubat AI terbesar di dunia. Syarikat ini memiliki "set data biologi dan kimia proprietari terbesar di dunia" — trilion titik data — dan menjalin perkongsian berbilang tahun dengan NVIDIA (NVIDIA melabur $50 juta). Lebih daripada 8 program berada dalam peringkat klinikal.

Insilico Medicine (Hong Kong) adalah lambang penemuan ubat AI. INS018_055 (rentosertib) telah mencapai ujian klinikal Fasa II sebagai ubat pertama dalam sejarah yang ditemui dan direka sepenuhnya oleh AI — sasaran ditemui oleh AI (PandaOmics) dan molekul direka oleh AI (Chemistry42). Ia menyasarkan fibrosis pulmonari idiopatik (IPF), dan dalam Fasa IIa, keselamatan yang boleh diterima serta isyarat keberkesanan awal telah dilaporkan. Kontrak bernilai sehingga $1.2 bilion (kira-kira ¥180 bilion) telah dimeterai dengan Sanofi.

Isomorphic Labs (London, Alphabet/DeepMind) dipimpin oleh Ketua Pegawai Eksekutif Demis Hassabis, mengaplikasikan teknologi AlphaFold dalam penemuan ubat. Pada Januari 2024, kontrak bernilai sehingga $1.7 bilion (kira-kira ¥255 bilion) dengan Eli Lilly dan sehingga $1.2 bilion (kira-kira ¥180 bilion) dengan Novartis telah dimeterai. AlphaFold 3 (diumumkan Mei 2024) mampu meramalkan struktur kompleks protein-ligan, protein-DNA, dan protein-RNA, dengan keupayaan yang secara langsung berkaitan dengan penemuan ubat.

Xaira Therapeutics (San Francisco/Seattle) ditubuhkan pada 2024 dengan modal pengasas melebihi $1 bilion. Disokong oleh ARCH Venture Partners, Foresite Capital, Sequoia Capital, dan Lightspeed Venture Partners. Syarikat ini melesenkan IP daripada makmal David Baker (Institute for Protein Design, Universiti Washington) dan berhasrat membina model asas untuk biologi. Ini merupakan salah satu pusingan pengasasan terbesar dalam sejarah permulaan bioteknologi.

Generate Biomedicines (Somerville, MA) ditubuhkan pada 2020 oleh Flagship Pioneering, pencipta Moderna. Telah mengumpulkan lebih daripada $573 juta, mereka bentuk ubat protein dari awal menggunakan AI generatif. Model penyebaran "Chroma" yang diterbitkan dalam jurnal Nature menjana protein dengan sifat yang ditentukan.

Absci (Vancouver, WA, NASDAQ: ABSI) mengkhususkan diri dalam reka bentuk antibodi menggunakan AI generatif. Dalam Nature Biotechnology (2023), mereka mengumumkan demonstrasi pertama mereka bentuk antibodi yang mengikat sasaran secara zero-shot tanpa antibodi permulaan. Kontrak bernilai sehingga $610 juta (kira-kira ¥91.5 bilion) telah dimeterai dengan AstraZeneca.

Di Jepun, Takeda Pharmaceutical menjalin perkongsian dengan Recursion, Schrödinger, dan Exscientia (sebelum penggabungan), melabur lebih daripada $500 juta dalam transformasi data/digital. Daiichi Sankyo bekerjasama dengan Preferred Networks (PFN) untuk mengoptimumkan ADC (antibodi-konjugat ubat) menggunakan AI. Sumitomo Pharma bermitra dengan Exscientia untuk membangunkan DSP-1181 (ubat rawatan OCD) — salah satu contoh terawal molekul yang direka AI memasuki ujian klinikal Fasa I.

Teknologi Asas — Dari AlphaFold hingga Model Asas Biologi

Evolusi teknologi komponen yang menyokong penemuan ubat AI adalah luar biasa.

AlphaFold 2 (2020) telah menyelesaikan masalah besar selama 50 tahun dalam ramalan struktur protein, dan dengan kerjasama EMBL-EBI, struktur lebih daripada 200 juta protein telah diramalkan dan diterbitkan. AlphaFold 3 (Mei 2024) menggunakan seni bina resapan dan meramalkan struktur kompleks protein-ligan, protein-DNA/RNA. Ketepatan interaksi protein-ligan meningkat lebih daripada 50% berbanding kaedah konvensional. Penganugerahan Hadiah Nobel Kimia 2024 kepada Hassabis, Jumper, dan Baker melambangkan pencapaian tertinggi dalam bidang ini.

Penjanaan molekul melalui model resapan berada di barisan hadapan penemuan ubat AI. RFdiffusion (Makmal David Baker, Nature 2023) menjana struktur protein baharu dengan sifat yang ditetapkan. DiffDock (MIT, 2023) mengaplikasikan model resapan pada pengedokan molekul dan mengatasi perisian pengedokan konvensional. Chroma (Generate Biomedicines) adalah model penjanaan struktur protein.

Model bahasa berskala besar untuk biologi semakin menonjol. ESM-2/ESMFold (Meta AI) dilatih dengan lebih daripada 250 juta jujukan protein dan meramalkan struktur terus daripada jujukan. ProGen/ProGen2 (Salesforce Research) menjana jujukan protein berfungsi dan telah membuktikan bahawa protein yang dijana berfungsi sebagai enzim aktif. Evo (Arc Institute, diasaskan bersama oleh Patrick Collison, 2024) adalah model asas genomik yang dilatih dengan 2.7 juta genom dan boleh menjana jujukan DNA berskala gen dan genom.

Ujian klinikal menggunakan kembar digital turut menunjukkan kemajuan. Unlearn.AI menjana kembar digital pesakit daripada data ujian lampau dan membina kumpulan kawalan sintetik menggunakan kaedah pelarasan kovariat yang diluluskan FDA. Saiz kumpulan kawalan yang diperlukan dikurangkan sebanyak 20–30%, menjimatkan masa dan kos.

Perspektif VC Silicon Valley——"Biologi telah menjadi sains maklumat"

Pelabur modal teroka (VC) di Silicon Valley mengklasifikasikan penemuan ubat berasaskan AI sebagai "peluang pelaburan sekali seumur hidup."

a16z Bio (Andreessen Horowitz) dipimpin oleh Vijay Pande (pencipta Folding@home, bekas profesor Stanford) dan menubuhkan dana Bio melebihi 1.5 bilion dolar antara 2019 hingga 2023. Di bawah tesis "perisian akan memakan biologi," mereka melabur dalam Insitro, Freenome, dan syarikat lain. Pande kerap menyuarakan pandangannya mengenai "kejuruteraan biologi."

Flagship Pioneering (Cambridge, MA) adalah firma penciptaan usaha niaga yang melahirkan Moderna (kemuncak permodalan pasaran melebihi 150 bilion dolar). Dipimpin oleh CEO Noubar Afeyan, firma ini mengurus modal terkumpul melebihi 10 bilion dolar. Generate Biomedicines merupakan pelaburan AI-biologi utama mereka.

ARCH Venture Partners dipimpin oleh Robert Nelsen dan Kristina Burow, dengan pelaburan dalam Illumina (pelabur awal) dan Xaira Therapeutics (mengetuai pusingan melebihi 1 bilion dolar). Mereka menyatakan: "Biologi telah menjadi sains maklumat. Penumpuan AI dan biologi adalah peluang pelaburan terbesar sekali seumur hidup."

Jumlah pelaburan VC dalam penemuan ubat berasaskan AI telah berkembang daripada 4.6 bilion dolar pada 2020 kepada 6.7 bilion dolar pada 2024 (PitchBook, BioCentury), dengan unjuran mencapai 7 hingga 8 bilion dolar pada 2025.

Jensen Huang (CEO NVIDIA) mengisytiharkan: "Platform pengkomputeran seterusnya ialah biologi. Semua syarikat farmaseutikal akan menjadi syarikat teknologi" (ucaptama GTC 2024), manakala platform BioNeMo NVIDIA dan GPU (H100/B200) berfungsi sebagai "penyodok dan cangkul" dalam penemuan ubat berasaskan AI.

Pandangan Tokoh Terkemuka — Dari Penerima Hadiah Nobel hingga Usahawan Pemodal Teroka

Demis Hassabis (CEO Google DeepMind/Isomorphic Labs, Hadiah Nobel Kimia 2024) menyatakan bahawa "AlphaFold adalah kerja paling penting yang pernah saya lakukan. Ia adalah aplikasi AI yang paling berdampak," dan meramalkan bahawa "dalam masa 5 tahun, AI akan mempercepatkan fasa awal penemuan ubat secara besar-besaran, dan dalam masa 10 tahun, keseluruhan proses akan berubah secara mendasar."

David Baker (Universiti Washington, Hadiah Nobel Kimia 2024) menyebut dalam ucapan Nobelnya bahawa "kita telah memasuki era di mana kita boleh mereka bentuk molekul dari awal yang melakukan perkara-perkara yang evolusi semula jadi tidak pernah terokai. Gabungan reka bentuk komputasi dan AI sedang mengubah apa yang mungkin dalam perubatan."

Daphne Koller (CEO Insitro, Profesor Stanford) berkata: "Sebab mengapa penemuan ubat itu mahal adalah kerana kita menjalankan eksperimen pada manusia akibat ketiadaan model ramalan yang cukup baik. Jika kita dapat membina model ramalan yang lebih baik melalui pembelajaran mesin, kita boleh gagal dengan lebih cepat, lebih murah, dan lebih awal."

Eric Topol (Pengarah Institut Penyelidikan Translasi Scripps) menyatakan bahawa "kita berada di titik perubahan. Penumpuan data genomik yang kaya dari biobank dengan AI akan mengubah cara penemuan ubat dilakukan," dan meramalkan bahawa "menjelang tahun 2030, tidak mempunyai AI dalam saluran penemuan ubat akan menjadi seperti tidak mempunyai e-mel di pejabat. Ia tidak akan lagi menjadi pilihan."

AI Penemuan Ubat dalam Angka — Pasaran yang Berkembang Pesat dan Hasil Klinikal

Angka-angka dalam penemuan ubat berasaskan AI menceritakan pengembangan pesat bidang ini.

Pasaran penemuan ubat AI dijangka berkembang daripada kira-kira 2.5 bilion dolar (kira-kira 375 bilion yen) pada tahun 2024 kepada 10~12 bilion dolar (kira-kira 1.5 trilion ~ 1.8 trilion yen) menjelang tahun 2030 (CAGR 24~28%, Precedence Research). Pasaran AI dalam farmaseutikal yang lebih luas dianggarkan melebihi 20 bilion dolar menjelang 2032 (Grand View Research).

Kemajuan klinikal molekul yang ditemui oleh AI semakin pesat. Setakat awal tahun 2025, terdapat lebih 50 ujian Fasa I, 15~20 ujian Fasa II, dan 2~3 ujian Fasa III bagi molekul yang ditemui melalui AI sedang dijalankan. Kelulusan FDA pertama dijangka antara tahun 2026~2028. Kos penjujukan keseluruhan genom telah merosot kepada kira-kira 200 dolar (berbanding 3 bilion dolar pada masa Projek Genom Manusia). Pasaran biobank dijangka berkembang daripada kira-kira 3.5~4 bilion dolar (kira-kira 525 bilion ~ 600 bilion yen) pada tahun 2024 kepada 6~7 bilion dolar (kira-kira 900 bilion ~ 1.05 trilion yen) menjelang tahun 2030.

Perkembangan Jepun — Persimpangan Biobank dan AI Farmaseutikal

Jepun merupakan pemain penting dalam kedua-dua aspek infrastruktur biobank dan penemuan ubat berasaskan AI.

BioBank Japan mempunyai lebih kurang 270,000 peserta dan 47 penyakit sasaran, menjadikannya sumber yang tidak ternilai untuk memahami struktur genetik populasi Asia Timur. Ia turut menyumbang kepada kajian Genome-Wide Association Studies (GWAS) trans-etnik bersama UK Biobank dan All of Us.

Tohoku Medical Megabank (ToMMo) ditubuhkan sebagai projek pemulihan pasca gempa bumi besar Jepun Timur pada tahun 2011, dengan lebih kurang 150,000 peserta. Panel genom rujukan populasi Jepun (3.5KJPNv2/8.3KJPN) adalah tidak ternilai untuk penyelidikan genomik yang khusus bagi populasi Jepun.

Kerajaan Jepun menetapkan sasaran lebih daripada 100,000 urutan genom kanser melalui "Strategi Pelaksanaan Perubatan Genomik" (digubal pada 2019, dikemas kini pada 2023), manakala AMED (Agensi Perubatan dan Penyelidikan dan Pembangunan Jepun) menyokong penyelidikan penemuan ubat dengan bajet kira-kira 400 bilion yen setahun.

Preferred Networks (PFN) telah bermitra dengan Daiichi Sankyo dan AMED dalam penemuan ubat berasaskan AI, dengan kekuatan dalam pembelajaran mendalam untuk simulasi molekul. Ia merupakan salah satu syarikat permulaan AI terbesar di Jepun dengan penilaian melebihi 3.5 bilion dolar.

Cabaran——Halangan di Sebalik Optimisme

Masa depan penemuan ubat berasaskan AI adalah cerah, namun cabaran penting masih kekal.

Berat sebelah data merupakan kebimbangan terbesar. Kira-kira 78% peserta GWAS adalah berketurunan Eropah (setakat 2023, sedang diperbaiki), manakala peserta UK Biobank lebih sihat, lebih berada, dan lebih ramai yang berkulit putih berbanding purata UK. Data sintetik berpotensi memindahkan dan menggandakan berat sebelah yang terdapat dalam data latihan.

Ketidakpastian regulasi juga wujud. Setakat awal 2026, belum ada ubat yang ditemui melalui AI mendapat kelulusan penuh daripada FDA/EMA. FDA telah menerbitkan rangka kerja, namun laluan regulasi khusus untuk ubat yang ditemui melalui AI belum ditetapkan.

Pengesahan data sintetik turut menjadi cabaran. Bagaimana untuk membuktikan bahawa data sintetik mencerminkan biologi sebenar dengan tepat? Terdapat risiko pola "halusinasi" — artifak statistik — yang tersembunyi dalam data sintetik.

Integrasi dengan farmaseutikal tradisional juga tidak mudah. Ramalan AI memerlukan pengesahan melalui makmal basah ("masalah batu terakhir"), dan penentangan budaya berupa "kami sentiasa melakukannya begini" masih berakar umbi.

Prospek Masa Depan——Masa Depan Penemuan Ubat Berubah

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

2026–2028: Kelulusan FDA pertama untuk ubat yang ditemui melalui AI dijangka akan berlaku (calon terkuat ialah INS018_055 atau program Recursion/Exscientia). Penemuan ubat berasaskan AI akan menjadi amalan standard syarikat farmaseutikal besar (McKinsey).

2028–2030: Model asas biologi akan mencapai "Momen GPT-3" — AI biologi serbaguna akan boleh ditala halus untuk sebarang tugas penemuan ubat. Integrasi data dunia nyata dari biobank, data sintetik, dan model AI akan menjadi prosedur operasi standard dalam R&D farmaseutikal.

2032–2035: Garis masa penemuan ubat akan dimampatkan kepada 3–5 tahun untuk banyak indikasi, dengan kos dikurangkan 50–70%. Ubat untuk penyakit jarang akan menjadi layak secara ekonomi (pada masa ini, kira-kira 95% daripada lebih 7,000 penyakit jarang tiada ubat yang diluluskan).

Alex Zhavoronkov, CEO Insilico Medicine, berkata: "Kami telah membuktikan bahawa AI boleh menemui dan mereka bentuk ubat. Persoalannya bukan lagi 'boleh atau tidak', tetapi 'seberapa cepat ia boleh diskala'." Hari apabila jawapan itu tiba, kini tidak lagi jauh di ufuk masa depan.

Impak kepada industri

Pertama, gabungan biobank dan data sintetik sedang menyelesaikan secara struktural "tembok data" dalam penemuan ubat. Data dunia nyata daripada UK Biobank (500,000 orang, WGS penuh selesai), All of Us (lebih 800,000 orang, kepelbagaian melebihi 50%), dan BioBank Japan (270,000 orang) menyediakan "kebenaran di lapangan", manakala data sintetik melampaui kekangan privasi dan kelangkaan. Dapatan bahawa kadar kejayaan klinikal sasaran penemuan ubat yang disokong secara genetik adalah 2 hingga 2.6 kali lebih tinggi menyokong rasionaliti ekonomi gabungan ini.

Kedua, penemuan ubat berasaskan AI bukan lagi berada di peringkat "bukti konsep", tetapi telah memasuki peringkat "bukti klinikal". Lebih 100 molekul yang ditemui oleh AI sedang dalam ujian klinikal, dan kelulusan FDA pertama dijangka antara 2026 hingga 2028. Kontrak Isomorphic Labs dengan syarikat farmaseutikal besar bernilai jumlah $2.9 bilion, serta pusingan pengasasan Xaira Therapeutics melebihi $1 bilion, menunjukkan kedalaman kepercayaan terhadap bidang ini.

Ketiga, penganugerahan Hadiah Nobel Kimia kepada Hassabis, Jumper, dan Baker bermakna penggabungan AI dan biologi telah diiktiraf di peringkat akademik tertinggi. Seni bina resapan AlphaFold 3 mempunyai keupayaan yang langsung berkaitan dengan penemuan ubat, dan bersama-sama model generatif seperti RFdiffusion dan Chroma, ia menjadikan era "mereka bentuk molekul dari kosong" satu kenyataan.

Keempat, Jepun mempunyai kedudukan unik di persimpangan genomik populasi Asia Timur dan penemuan ubat berasaskan AI, berkat kehadiran BioBank Japan, ToMMo, AMED, dan PFN. Perkongsian AI Takeda, Daiichi Sankyo, dan Sumitomo Pharma menunjukkan bahawa industri farmaseutikal Jepun turut serta secara aktif dalam transformasi ini.

Maklumat Rujukan: Tufts CSDD Drug Development Cost Study (2020), BIO/QLS Advisors Clinical Trial Success Rates (2021), IQVIA Global R&D Spending Report (2024), Eroom's Law (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 (Aug 2024), Insilico INS018_055 Phase II Results, Isomorphic Labs-Lilly-Novartis Deals (Jan 2024), Xaira Therapeutics $1B+ Launch, AlphaFold 3 Release (May 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