Coba pikir sebentar. Berapa lama sih waktu yang dibutuhkan buat bikin satu obat baru?<\/p>\n\n\n\n
Jawaban jujurnya: 10 sampai 15 tahun.<\/strong> Dan biayanya bisa lebih dari 1 miliar dolar. Bukan angka yang salah ketik.<\/p>\n\n\n\n Tapi sekarang, ada sesuatu yang bergerak. Kecerdasan buatan\u2014AI\u2014mulai masuk ke dapur pembuatan obat. Bukan cuma jadi alat bantu. Tapi mulai jadi otak di balik layar. Pertanyaannya: apakah ini benar-benar bikin semuanya lebih cepat? Atau cuma hype?<\/p>\n\n\n\n Bayangkan ruang kimia. Ini bukan ruang fisik. Ini kumpulan semua molekul yang mungkin ada. Jumlahnya triliunan. Andreas Luttens, peneliti dari Karolinska Institutet, bilang bahkan buat dia sendiri, angka itu susah dibayangkan<\/a>.<\/p>\n\n\n\n Dulu, mencari molekul yang bisa jadi obat artinya mencoba satu per satu. Trial and error. Ribuan kali. Mahal. Lama.<\/p>\n\n\n\n Sekarang, AI bisa “menjelajah” ruang itu secara digital. Menyaring triliunan kombinasi dalam hitungan jam, bukan tahun. Yang lolos seleksi awal, itu yang kemudian disintesis dan diuji di laboratorium<\/a>.<\/p>\n\n\n\n Jadi, AI bukan menggantikan sains. AI mengubah titik awalnya<\/strong>. Dari coba-coba, jadi prediksi.<\/p>\n\n\n\n Ini yang paling sering disebut. Rentosertib, dikembangkan oleh Insilico Medicine. Ini obat kandidat pertama di dunia yang ditemukan dan dikembangkan pakai generative AI<\/strong> yang sudah masuk uji klinis Fase III<\/a>.<\/p>\n\n\n\n Targetnya: idiopathic pulmonary fibrosis (IPF). Penyakit paru yang progresif.<\/p>\n\n\n\n Yang menarik, bukan cuma soal “AI bikin molekul”. AI juga yang menemukan target biologisnya<\/strong>\u2014protein TNIK. Target ini sebelumnya nggak dikenal sebagai jalur buat IPF. AI yang mengusulkan, lalu AI juga yang mendesain molekulnya<\/a><\/a>.<\/p>\n\n\n\n Hasil Fase IIa? Dilaporkan di Nature Medicine. Pasien yang dapat dosis tinggi mengalami peningkatan kapasitas paru, sementara kelompok plasebo malah menurun<\/a>. Ini bukan angka kecil.<\/p>\n\n\n\n Dan ada temuan tambahan yang bikin penasaran: enam model “jam biologis protein” yang berbeda, dianalisis oleh tim independen, semuanya melaporkan penurunan usia biologis<\/strong> pada kelompok yang diobati<\/a>.<\/p>\n\n\n\n Tapi ingat. Ini masih uji klinis. Belum ada yang namanya “obat jadi”.<\/p>\n\n\n\n Ini yang agak gila.<\/p>\n\n\n\n James Zou dari Stanford bikin semacam perusahaan biotek virtual. Isinya: 37.000 agen AI<\/strong> yang bekerja kayak karyawan perusahaan farmasi. Ada “chief scientific officer” yang mengarahkan. Ada divisi target identification, clinical trial design, semuanya<\/a>.<\/p>\n\n\n\n Tugasnya? Menganalisis hasil lebih dari 55.000 uji klinis yang pernah dilakukan. Mencari pola. Mencari prediktor keberhasilan.<\/p>\n\n\n\n Hasilnya? Sistem ini menemukan bahwa obat yang menargetkan protein yang aktif di tipe sel spesifik hampir 50% lebih mungkin sampai ke pasar<\/strong><\/a>.<\/p>\n\n\n\n Buat kanker paru, sistem ini juga mengusulkan target protein CD276 dan strategi antibodi yang mengikatnya. Dengan review dari manusia, mereka menyimpulkan ini jalur yang menjanjikan<\/a>.<\/p>\n\n\n\n Tapi. Dan ini penting. Prediksi ini belum divalidasi lewat eksperimen nyata.<\/strong> Apalagi uji klinis<\/a>.<\/p>\n\n\n\n Di UHN, Toronto, ada yang namanya LUMI-lab. Ini laboratorium yang bisa jalan sendiri. AI-nya udah dilatih dengan lebih dari 28 juta struktur molekul<\/strong>. Robot-robotnya yang melakukan eksperimen<\/a>.<\/p>\n\n\n\n Fokusnya: lipid nanoparticles (LNP), pembawa buat terapi berbasis RNA seperti vaksin mRNA.<\/p>\n\n\n\n Masalahnya, LNP itu susah didesain karena datanya sedikit. Nggak kayak bidang lain yang punya data melimpah. Jadi AI-nya dilatih pakai pendekatan “unsupervised”\u2014belajar pola dari data yang nggak berlabel<\/a>.<\/p>\n\n\n\n Hasilnya? LUMI-lab menemukan bahwa LNP dengan lipid yang mengandung bromin lebih efektif mengantar mRNA ke sel paru manusia<\/strong>. Salah satunya, LUMI-6, mencapai efisiensi editing gen lebih dari 20%<\/a>.<\/p>\n\n\n\n Ini contoh di mana AI + robot bisa nemuin sesuatu yang manusia mungkin nggak kepikiran buat coba<\/strong>.<\/p>\n\n\n\n Ini bagian yang penting. Jangan sampai kita cuma denger sisi baiknya.<\/p>\n\n\n\n Per awal 2026, ada lebih dari 173 program obat AI<\/strong> yang sudah masuk tahap pengembangan klinis. Tapi nol<\/strong> yang sudah dapat persetujuan FDA<\/a><\/a>.<\/p>\n\n\n\n Jadi, di mana AI beneran ngefek?<\/p>\n\n\n\n Fase I: AI menang telak.<\/strong><\/p>\n\n\n\n Tingkat keberhasilan obat AI di Fase I: 80-90%<\/strong>. Bandingin sama rata-rata industri tradisional: ~52%<\/strong><\/a><\/a>.<\/p>\n\n\n\n Kenapa? Karena AI bagus banget dalam prediksi ADMET\u2014absorption, distribution, metabolism, excretion, toxicity. Artinya, AI bisa “membuang” molekul yang bakal gagal di awal karena masalah keamanan atau metabolisme. Sebelum mahal-mahal disintesis<\/a>.<\/p>\n\n\n\n Fase II: AI nggak beda jauh.<\/strong><\/p>\n\n\n\n Tingkat keberhasilannya: ~40%<\/strong>. Rata-rata industri: ~37%<\/strong><\/a><\/a>.<\/p>\n\n\n\n Bedanya nggak signifikan secara statistik. Kenapa?<\/p>\n\n\n\n Karena Fase II itu soal efikasi<\/strong>. Apakah obatnya benar-benar bekerja pada penyakitnya? Dan itu bergantung pada satu hal: apakah hipotesis target biologisnya benar?<\/strong><\/p>\n\n\n\n AI belum bisa ningkatin probabilitas memilih premis biologis yang tepat. Ini domain di mana AI masih buta<\/a><\/a>.<\/p>\n\n\n\n Ada satu alasan yang sering diabaikan.<\/p>\n\n\n\n Data biologis itu sangat kondisional<\/strong>. Artinya, hasilnya tergantung pada puluhan sampai ribuan variabel. Kondisi eksperimen. Variasi genetik. Lingkungan. Interaksi antar protein.<\/p>\n\n\n\n Dan yang lebih parah: kita sering nggak paham mekanisme di baliknya<\/strong>. Ada yang namanya “epistemic opacity”\u2014kita nggak tahu kenapa X menyebabkan Y, secara teoretis<\/a>.<\/p>\n\n\n\n Jadi AI bisa dilatih pada data yang ada. Tapi kalau data itu sendiri nggak bisa memberikan pemahaman kausal, AI cuma bisa menangkap korelasi<\/strong>. Bukan sebab-akibat<\/strong>.<\/p>\n\n\n\n Imatinib bisa menyembuhkan leukemia dengan Philadelphia chromosome. Tapi leukemia dengan penyebab genetik lain? Nggak merespons. Dosis yang sama, efek yang beda. Kenapa? Karena biologinya beda<\/a>.<\/p>\n\n\n\n AI belum bisa sepenuhnya menangkap ini.<\/p>\n\n\n\n Jawabannya: ya, tapi dengan catatan.<\/strong><\/p>\n\n\n\n Insilico Medicine, dari 2021 sampai 2024, mengajukan 20 kandidat preklinis. Rata-rata waktu dari inisiasi proyek ke nominasi kandidat preklinis: 12 sampai 18 bulan<\/strong>. Sementara proses tradisional butuh 3 sampai 6 tahun<\/strong><\/a>.<\/p>\n\n\n\n Itu percepatan yang signifikan. Di tahap awal.<\/p>\n\n\n\n Tapi setelah kandidat masuk uji klinis? Semua kembali ke ritme normal. Fase I, Fase II, Fase III. Bertahun-tahun. Ini yang nggak bisa dipercepat AI, karena manusia adalah sistem biologis, bukan dataset<\/strong><\/a>.<\/p>\n\n\n\n Kesalahan satu: Ngira AI bisa langsung bikin obat.<\/strong><\/p>\n\n\n\n AI mempercepat penemuan<\/strong> kandidat. Tapi validasi tetap butuh eksperimen. Uji klinis tetap butuh manusia. Nggak ada jalan pintas.<\/p>\n\n\n\n Kesalahan dua: Ngabaikan peran target biologis.<\/strong><\/p>\n\n\n\n Obat AI yang paling sukses, kayak Rentosertib, menang karena targetnya juga ditemukan lewat AI<\/strong>. Kalau cuma molekulnya yang AI, tapi targetnya salah, ya bakal gagal di Fase II<\/a>.<\/p>\n\n\n\n Kesalahan tiga: Ngira “lebih cepat” berarti “lebih murah”.<\/strong><\/p>\n\n\n\n Percepatan di tahap awal memang menurunkan biaya. Tapi uji klinis tetap mahal. Fase III bisa menelan ratusan juta dolar. AI nggak ngubah itu<\/a>.<\/p>\n\n\n\n Kesalahan empat: Percaya sama benchmark model.<\/strong><\/p>\n\n\n\n Model AI yang bagus di dataset internal bisa jatuh drastis<\/strong> di data eksternal. Satu studi tentang drug-induced liver injury: model punya akurasi 80,5% di training, tapi turun ke 61,9%<\/strong> di salah satu set validasi independen<\/a>.<\/p>\n\n\n\n AI di dunia obat bukan magic bullet. Dia mempercepat penemuan, mempercepat optimasi, dan mengurangi molekul yang dibuang sia-sia.<\/strong><\/p>\n\n\n\n Tapi tembok Fase II tetap tinggi<\/strong>. Karena tembok itu bukan soal kecepatan. Tembok itu soal kebenaran biologis<\/strong>.<\/p>\n\n\n\n Apakah target yang kita pilih benar-benar penyebab penyakit? Apakah pasien yang kita pilih benar-benar merespons? Apakah model hewan benar-benar mewakili manusia?<\/p>\n\n\n\n AI belum bisa jawab itu. Belum.<\/p>\n\n\n\n Tapi 173 program klinis sedang berjalan. Beberapa akan sampai Fase III. Kalau ada satu saja yang lolos, itu akan jadi momen yang mengubah segalanya<\/strong><\/a>.<\/p>\n\n\n\n Dan mungkin, tahun 2026 ini, kita sedang menyaksikannya.<\/p>\n","protected":false},"excerpt":{"rendered":"Apa yang Sebenarnya AI Lakukan di Dunia Obat?<\/h2>\n\n\n\n
Tiga Contoh Nyata: Bukan Cuma Teori<\/h2>\n\n\n\n
Contoh Pertama: Rentosertib, Obat AI Pertama yang Masuk Fase III<\/h3>\n\n\n\n
Contoh Kedua: “Virtual Biotech” dengan 37.000 AI Agents<\/h3>\n\n\n\n
Contoh Ketiga: AI dan Robot di Laboratorium Mandiri<\/h3>\n\n\n\n
Data: AI Menang di Mana, Kalah di Mana<\/h2>\n\n\n\n
Kenapa Fase II Jadi Tembok?<\/h2>\n\n\n\n
Jadi, Lebih Cepat atau Nggak?<\/h2>\n\n\n\n
Kesalahan yang Sering Terjadi<\/h2>\n\n\n\n
Jadi, Apa yang Sebenarnya Terjadi di 2026?<\/h2>\n\n\n\n