Penemuan obat merupakan proses berbiaya tinggi dan berisiko yang kini menghadapi tekanan pasar yang semakin ketat karena keunggulan pihak pertama yang meluncurkan produk. Sejak tahun 1950-an, biaya pengembangan obat baru telah berlipat ganda setiap sembilan tahun, sebuah fenomena yang dikenal sebagai Hukum Eroom. Saat ini, rata-rata waktu yang dibutuhkan untuk membawa obat baru ke pasar adalah 10 hingga 15 tahun dengan biaya yang sangat besar.
Teknologi kecerdasan buatan menawarkan peluang untuk memutus siklus biaya yang terus meningkat tersebut. Dengan memanfaatkan data dari berbagai tahap penelitian, perusahaan farmasi berusaha menciptakan lingkaran data yang tertutup. Artinya, hasil eksperimen dan uji klinis dapat langsung diumpankan kembali ke model AI untuk memperbaiki prediksi berikutnya.
Pendekatan ini berbeda dari metode tradisional yang seringkali menyimpan data secara terpisah. Ketika data dikumpulkan secara terintegrasi, model AI dapat mengidentifikasi pola yang sebelumnya tidak terlihat. Hal ini berpotensi mengurangi jumlah kandidat obat yang gagal pada tahap akhir, yang selama ini menjadi penyumbang utama biaya tinggi.
Salah satu tantangan utama adalah kualitas dan konsistensi data yang digunakan. Data dari laboratorium berbeda sering memiliki format dan standar yang tidak seragam. Tanpa harmonisasi, model AI sulit menghasilkan insight yang andal. Beberapa perusahaan mulai mengadopsi platform data terpusat untuk mengatasi masalah ini.
Dampaknya terhadap industri farmasi kecil dan menengah cukup signifikan. Perusahaan dengan sumber daya terbatas dapat memanfaatkan model AI yang sudah dilatih untuk mempercepat tahap awal penelitian mereka. Ini membuka peluang kompetisi yang lebih seimbang dengan perusahaan besar yang memiliki anggaran riset jauh lebih tinggi.
Selain efisiensi biaya, pendekatan ini juga berpengaruh pada strategi regulasi. Badan pengawas obat di berbagai negara mulai mempertimbangkan bagaimana mengevaluasi obat yang dikembangkan dengan bantuan AI. Transparansi dalam proses pengambilan keputusan model menjadi isu penting yang perlu dijawab.
Integrasi data real-time dari uji klinis ke dalam model AI juga membuka kemungkinan adaptasi desain uji coba yang lebih dinamis. Jika hasil awal menunjukkan pola tertentu, protokol uji dapat disesuaikan tanpa harus memulai dari awal. Pendekatan ini berpotensi mempercepat proses persetujuan.
Namun, keberhasilan penutupan lingkaran data sangat bergantung pada kolaborasi antara ilmuwan data, ahli biologi, dan regulator. Tanpa koordinasi yang baik, risiko kesalahan interpretasi data tetap tinggi. Perusahaan yang berhasil membangun ekosistem data tertutup ini diperkirakan akan memiliki keunggulan kompetitif jangka panjang.
Secara keseluruhan, upaya menutup lingkaran data dalam penemuan obat berbasis AI bukan hanya soal teknologi, tetapi juga perubahan cara kerja seluruh ekosistem riset farmasi.
