Kemajuan bioteknologi modern telah membuka cakrawala baru, mulai dari teknik penyuntingan gen hingga perancangan obat presisi tinggi. Namun, realitasnya ribuan penyakit langka hingga kini masih belum memiliki terapi yang memadai.
Bagi para eksekutif di Insilico Medicine dan GenEditBio, hambatan utama industri ini bukan sekadar keterbatasan teknologi, melainkan krisis tenaga ahli yang mampu mengeksekusi riset sekompleks itu.
Di titik inilah kecerdasan buatan (AI) hadir sebagai force multiplier atau pengganda kekuatan, membantu ilmuwan menangani area yang selama ini terabaikan oleh industri konvensional.
Ambisi “Pharmaceutical Superintelligence”
Dalam ajang Web Summit Qatar pekan ini, Presiden Insilico Medicine Alex Aliper memaparkan visinya untuk membangun apa yang ia sebut sebagai “pharmaceutical superintelligence.”
Sebagai langkah nyata, perusahaan tersebut baru saja meluncurkan “MMAI Gym,” sebuah platform yang dirancang untuk melatih model bahasa besar (LLM) generalis agar mampu bekerja seefektif model AI spesialis.
Tujuan besarnya adalah menciptakan model multimodal dan multitugas yang mampu menuntaskan berbagai tahap penemuan obat secara simultan, dengan tingkat akurasi yang melampaui kemampuan manusia.
“Kami benar-benar membutuhkan teknologi ini untuk meningkatkan produktivitas industri farmasi dan mengatasi kekurangan tenaga kerja serta talenta di bidang tersebut, karena masih ada ribuan penyakit tanpa obat, tanpa opsi pengobatan, dan ribuan gangguan langka yang terabaikan,” ujar Aliper dalam wawancara dengan TechCrunch.
“Jadi kita membutuhkan sistem yang lebih cerdas untuk mengatasi masalah itu,” ucapnya.
Platform milik Insilico bekerja dengan mengolah data biologis, kimia, dan klinis untuk merumuskan hipotesis target penyakit serta kandidat molekul obat.
Dengan mengotomatisasi tahapan yang biasanya memerlukan pasukan ahli kimia dan biologi, perusahaan ini mampu menjelajahi ruang desain obat yang luas secara efisien.
Salah satu bukti keberhasilannya adalah penggunaan model AI untuk menilai potensi obat yang sudah ada (drug repurposing) untuk mengobati ALS, sebuah gangguan neurologis langka.
Revolusi Pengiriman Terapi Gen
Meski AI mampu mempercepat penemuan molekul, tantangan tidak berhenti di sana. Banyak penyakit membutuhkan intervensi biologis yang lebih mendalam, seperti terapi gen. Di sektor inilah GenEditBio mengambil peran dengan pendekatan yang berbeda.
“Kami telah mengembangkan ePDV atau engineered protein delivery vehicle, yakni partikel mirip virus,” jelas Tian Zhu, pendiri sekaligus CEO GenEditBio.
“Kami belajar dari alam dan menggunakan metode machine learning berbasis AI untuk menambang sumber daya alami dan menemukan jenis virus yang memiliki afinitas terhadap jaringan tertentu,” ucapnya.
Zhu merujuk pada perpustakaan raksasa milik GenEditBio yang berisi ribuan nanopartikel polimer unik non-viral, kendaraan biologis yang dirancang khusus untuk mengirimkan alat pengedit gen secara aman ke sel target.
Melalui platform NanoGalaxy, AI menganalisis korelasi antara struktur kimia dengan target jaringan spesifik seperti mata, hati, atau sistem saraf.
Kemampuan pengiriman yang presisi ini merupakan syarat mutlak bagi keberhasilan pengeditan gen langsung di dalam tubuh (in vivo).
Zhu optimis bahwa pendekatan ini dapat menekan biaya produksi sekaligus menstandardisasi proses yang sebelumnya sulit direplikasi dalam skala besar.
“Ini seperti mendapatkan obat siap pakai yang bisa digunakan untuk banyak pasien, sehingga obat menjadi lebih terjangkau dan lebih mudah diakses secara global,” tambahnya.
Tantangan Mencari “Emas” dalam Biologi
Seperti ekosistem cerdas lainnya, AI dalam bioteknologi tetap bergantung pada bahan bakar utamanya yaitu data. Memodelkan kompleksitas biologi manusia, terutama pada kasus-kasus langka, membutuhkan data berkualitas tinggi yang saat ini masih terbatas.
Aliper menyoroti adanya bias data yang sangat condong ke dunia Barat.
“Kita masih membutuhkan lebih banyak data ground truth dari pasien. Perlu lebih banyak upaya lokal untuk menciptakan kumpulan data asli yang lebih seimbang agar model AI dapat bekerja lebih baik,” ungkapnya.
Untuk menjembatani celah ini, Insilico mengembangkan laboratorium otomatis yang mampu menghasilkan data biologis multi-lapis secara mandiri tanpa intervensi manusia.
Di sisi lain, Zhu berargumen bahwa data yang dibutuhkan sebenarnya sudah tersimpan dalam evolusi DNA manusia selama ribuan tahun.
Dengan bantuan model AI modern seperti AlphaGenome dari Google DeepMind, informasi yang dulunya sulit dipahami kini mulai bisa diinterpretasikan.
Menuju Masa Depan Terapi Personal
Visi jangka panjang industri ini mengarah pada pembangunan “digital twin” manusia, sebuah model digital yang memungkinkan uji klinis dilakukan secara virtual. Meski teknologi ini masih di tahap awal, urgensinya kian nyata seiring penuaan populasi global.
“Kita berada di plateau sekitar 50 obat yang disetujui FDA setiap tahun, dan kita perlu melihat pertumbuhan,” kata Aliper.
Ia memprediksi bahwa dalam 10 hingga 20 tahun ke depan, dunia akan memiliki lebih banyak opsi terapi yang dipersonalisasi.
Sinergi antara AI, data biologis skala besar, dan inovasi terapi gen menjadi tumpuan bagi industri bioteknologi untuk memecahkan kebuntuan riset penyakit langka.
Jika transisi ini berhasil, hasilnya bukan sekadar percepatan klinis, melainkan era baru pengobatan yang lebih terjangkau, aksesibel, dan personal bagi setiap pasien di seluruh dunia.
