GSK telah menandatangani kolaborasi penelitian dengan perusahaan bioteknologi Inggris, Relation Therapeutics, senilai hingga $110 juta. Kemitraan ini akan menciptakan dataset beresolusi tinggi dalam skala masif yang melacak bagaimana sel manusia bereaksi terhadap perubahan genetik dan pengobatan obat. Hal ini mengatasi hambatan data yang telah memperlambat penemuan obat berbasis AI dan dapat memangkas waktu bertahun-tahun dalam perjalanan dari molekul menuju obat-obatan.

Masalah data yang menghambat AI

Selama sebagian besar dekade terakhir, AI di bidang farmasi dinilai berdasarkan ukuran model, bukan relevansi input. Model bahasa besar yang dilatih pada teks internet sangat mahir dalam pencocokan pola, tetapi mereka kesulitan ketika diminta untuk memprediksi bagaimana suatu senyawa memengaruhi sel hidup. Bagian yang hilang adalah data “wet lab”—pengukuran dari eksperimen nyata yang menangkap rangkaian efek biologis setelah sebuah gen diaktifkan atau dinonaktifkan, atau setelah obat diberikan.

Relation Therapeutics akan mengisi celah tersebut. Di bawah perjanjian ini, mereka akan menghasilkan data skala besar yang mengukur secara teliti bagaimana sel manusia merespons dua variabel: perubahan genetik dan intervensi obat. Dengan memberikan pandangan granular tentang perilaku seluler ini ke dalam sistem AI, kemitraan ini bertujuan untuk menggeser model dari sekadar prediksi pengikatan (binding) yang kasar menjadi simulasi seluruh jalur biologis.

Dari prediksi kotak hitam (black-box) ke presisi seluler

Alur kerja (pipeline) AI tradisional sering kali hanya menghasilkan satu angka: kemungkinan suatu molekul akan mengikat protein target. Peneliti kemudian menghabiskan waktu berbulan-bulan atau bertahun-tahun untuk menguji apakah pengikatan tersebut menghasilkan efek terapeutik. Pendekatan baru ini mengganti estimasi titik tunggal dengan peta multidimensi dari hasil hilir (downstream). Ketika model AI mengetahui bahwa penonaktifan (knocking out) gen X memicu jalur Y, dan bahwa kandidat obat meredam jalur yang sama, model tersebut dapat menyimpulkan efikasi jauh lebih awal.

Hasilnya adalah pengurangan eksperimen coba-coba (trial-and-error) yang mahal. Jika sebuah model dapat meramalkan secara andal bahwa suatu senyawa akan memicu respons seluler yang diinginkan, maka lebih sedikit senyawa yang perlu disintesis, disaring, dan dibuang. Hal ini menurunkan pengeluaran R&D dan memperpendek lini masa—keuntungan yang secara langsung memengaruhi jendela eksklusivitas pasar obat dan laba bersih perusahaan farmasi.

“Data yang tepat” menjadi benteng pertahanan (moat)

Kemitraan ini menyoroti pergeseran dari “big data” ke “data yang tepat”. Model serbaguna berkembang pesat berkat volume yang besar, tetapi penemuan obat menuntut data yang sangat spesifik dan sulit didapat. Menghasilkan profil respons seluler yang andal memerlukan instrumentasi canggih, personel terampil, dan kontrol kualitas yang ketat—investasi yang hanya mampu dilakukan oleh pemain dengan pendanaan kuat.

Perusahaan yang memiliki alur kerja yang menghubungkan kode genetik dengan hasil seluler yang terukur akan menguasai kekayaan intelektual yang paling berharga. Eksklusivitas dataset semacam itu menciptakan hambatan defensif yang lebih sulit direplikasi daripada arsitektur jaringan saraf (neural network) baru. Bagi para pendiri bioteknologi, pesannya jelas: membangun mesin data mungkin lebih strategis daripada mengejar terobosan algoritma berikutnya.

Argumen penyeimbang: data saja tidak akan menyelesaikan segalanya

Para kritikus mencatat bahwa data yang sempurna sekalipun dapat menyesatkan model AI. Sel berbeda-beda di berbagai jenis jaringan, kondisi penyakit, dan demografi pasien; dataset yang diambil dalam satu konteks mungkin tidak dapat digeneralisasi. Biaya untuk menghasilkan dan mengkurasi dataset berkualitas tinggi dalam skala masif dapat jauh melampaui biaya pelatihan model, sehingga menimbulkan pertanyaan skalabilitas bagi perusahaan yang lebih kecil.

Regulator juga berperan penting. AI prediktif yang mengklaim dapat mensimulasikan biologi manusia pada akhirnya harus divalidasi terhadap hasil klinis, yang menambah lapisan pengawasan. Jika industri terlalu bergantung pada prediksi in-silico tanpa pengujian dunia nyata yang memadai, industri tersebut dapat menghadapi hambatan ketika kandidat yang menjanjikan gagal dalam uji klinis.

Apa yang perlu diperhatikan selanjutnya

Beberapa bulan ke depan akan menunjukkan apakah upaya GSK-Relation dapat memberikan data yang dapat digunakan pada skala yang dijanjikan. Indikator utamanya meliputi:

  • Publikasi dataset tolok ukur (benchmark) yang dapat diakses oleh peneliti lain (meskipun dengan ketentuan terbatas)
  • Model AI tahap awal yang terbukti mengungguli metode penyaringan tradisional pada set pengujian yang disisihkan (held-out test set)
  • Investasi lanjutan dari raksasa farmasi lainnya, yang menandakan kepercayaan bahwa pendekatan data tersebut dapat direplikasi

Jika kolaborasi ini menghasilkan peningkatan nyata dalam tingkat keberhasilan (hit-rate) atau waktu siklus, hal ini dapat memicu gelombang kesepakatan serupa, yang membentuk kembali cara industri mengalokasikan dana R&D. Sebaliknya, jika data terbukti terlalu berisik (noisy) atau mahal untuk diintegrasikan, perusahaan mungkin akan kembali ke pendekatan hibrida yang memadukan AI dengan penyaringan throughput tinggi (high-throughput screening) konvensional.

Kesimpulan

Taruhan senilai $110 juta dari GSK pada data seluler dengan fidelitas tinggi menandakan perubahan arah yang menentukan: dalam penemuan obat berbasis AI, keunggulan yang paling menentukan akan semakin bergantung pada kualitas dan eksklusivitas sinyal biologis yang melatih model tersebut, bukan sekadar besarnya ukuran algoritma itu sendiri.