Novo Nordisk telah menandatangani kerjasama dengan Amazon Web Services untuk menyepadukan ejen "agentic AI" autonomi ke dalam saluran penemuan ubatnya, dengan matlamat untuk memendekkan masa daripada hipotesis kepada molekul calon. Langkah ini menandakan peralihan daripada model ramalan yang sekadar menunjukkan corak kepada sistem AI yang boleh melaksanakan eksperimen berbilang langkah tanpa arahan manusia.

Daripada ramalan kepada pelaksanaan

Penyelidikan farmaseutikal telah lama bergantung kepada alatan pembelajaran mesin untuk menyaring data genomik, menandakan sasaran berpotensi, dan memodelkan bagaimana sebatian mungkin mengikat pada protein. Alatan tersebut terhenti pada peringkat cerapan; saintis masih perlu merangka eksperimen seterusnya, menjalankan simulasi, dan mentafsir keputusan. Sebaliknya, agentic AI dibina untuk bertindak. Seorang ejen AI boleh menerima matlamat tahap tinggi—contohnya, "kenal pasti perencat molekul kecil untuk protein X"—dan kemudian merangka rangkaian pengambilan data, algoritma reka bentuk molekul, larian simulasi, dan juga mencadangkan protokol makmal, semuanya dalam satu aliran kerja tunggal.

Dalam praktiknya, Novo Nordisk akan menggunakan ejen-ejen ini untuk tiga tugas teras:

  • Pengenalpastian sasaran – menyaring set data omik untuk mengenal pasti gen atau protein yang relevan dengan penyakit dan menyusun kedudukannya mengikut kebolehdaratan ubat (druggability).
  • Reka bentuk terapi – menjana struktur molekul calon, menjalankan simulasi dok dan dinamik, serta memperhalusi kimia secara berulang berdasarkan profil keberkesanan dan keselamatan yang diramalkan.
  • Automasi protokol – merangka pelan eksperimen, memesan reagen, dan memasukkan semula keputusan ke dalam gelung AI untuk pembelajaran berterusan.

Dengan menghapuskan penyerahan manual antara setiap langkah, syarikat itu berharap dapat memampatkan proses yang biasanya memakan masa bertahun-tahun kepada hanya beberapa bulan.

AWS sebagai enjin AI dan tulang belakang awan

Perjanjian tersebut menamakan AWS sebagai penyedia awan pilihan dan rakan kongsi AI strategik Novo Nordisk. AWS akan membekalkan kluster pengkomputeran berprestasi tinggi, petabait storan untuk data penjujukan dan ujian, serta rangkaian perkhidmatan AI yang dilaraskan untuk beban kerja saintifik. Kerjasama ini juga mewujudkan hab ko-inovasi di tapak Novo Nordisk di London, di mana saintis data, ahli biologi, dan jurutera AWS akan membina prototaip dan menguji ejen AI tersuai.

Hab tersebut adalah sebuah sandbox, bukannya talian pengeluaran. Pasukan boleh bereksperimen dengan pelbagai seni bina ejen, menyepadukan pangkalan data biologi proprietari, dan menilai bagaimana ejen mengendalikan kes-kes ekstrem seperti laluan penyakit jarang jumpa atau kesan luar sasaran (off-target effects). Kedekatan ini mempercepatkan gelung maklum balas yang penting apabila menggabungkan biologi yang kompleks dengan AI yang canggih.

Mengapa sektor bioteknologi memerhati

Pembangunan ubat terkenal dengan kos yang tinggi dan proses yang perlahan. Industri ini mengambil masa purata lebih daripada sedekad dan berbilion dolar untuk membawa molekul daripada konsep ke pasaran. Sebarang teknologi yang secara konsisten dapat memendekkan garis masa tersebut sebanyak beberapa minggu atau bulan akan mengurangkan kos secara langsung, mempercepatkan akses pesakit, dan meningkatkan kedudukan kompetitif sesebuah firma.

Agentic AI juga mendorong sektor ini ke arah model operasi berasaskan awan (cloud-first). Syarikat yang boleh menyediakan kluster pengkomputeran besar mengikut permintaan, menjalankan simulasi selari, dan menyimpan setiap iterasi reka bentuk molekul dalam repositori kongsi akan memperoleh kelebihan strategik. Penjajaran Novo Nordisk dengan AWS menandakan bahawa gelombang inovasi farmaseutikal seterusnya tidak akan dapat dipisahkan daripada infrastruktur awan yang boleh diskalakan.

Risiko dan keraguan

Janji ejen autonomi tidak menghapuskan keperluan untuk kepakaran manusia. Pengesahan tetap menjadi kekangan; sebatian yang dicadangkan oleh AI masih perlu disintesis, diuji secara in vitro, dan dinilai untuk ketoksikan. Pengkritik menyatakan bahawa sistem AI boleh mewarisi bias daripada data latihan, yang berpotensi mengabaikan mekanisme baharu yang berada di luar corak sejarah. Pengawal selia masih belum menetapkan garis panduan yang jelas untuk calon ubat yang dihasilkan oleh AI, sekali gus menimbulkan persoalan tentang akauntabiliti jika ujian yang dipacu AI menghadapi isu keselamatan.

Integrasi menimbulkan halangan lain. Sistem pengurusan maklumat makmal (LIMS) sedia ada dan buku nota makmal elektronik dibina berasaskan aliran kerja berpusatkan manusia. Menyambungkan ejen autonomi ke dalam ekosistem tersebut mungkin memerlukan kejuruteraan semula yang besar, dan kos integrasi sedemikian tidak didedahkan kepada umum.

Apa yang perlu diperhatikan seterusnya

  • Penanda aras prestasi – Kajian awal daripada hab London akan mendedahkan betapa cepatnya ejen boleh beralih daripada pemilihan sasaran kepada sebatian peneraju yang berdaya maju secara kimia, dan bagaimana ia dibandingkan dengan saluran kerja tradisional.
  • Tindak balas kawal selia – Apabila calon yang dijana AI memasuki ujian klinikal, pihak kawal selia perlu memutuskan cara untuk menilai proses AI yang mendasari. Sebarang panduan boleh menetapkan preseden bagi seluruh industri.
  • Kesan riak persaingan – Firma farmaseutikal besar yang lain telah memberi bayangan tentang penerokaan strategi serupa yang mengutamakan AI. Jika Novo Nordisk menunjukkan peningkatan kelajuan atau kos yang boleh diukur, kita boleh menjangkakan rantaian kerjasama antara syarikat bioteknologi dan penyedia awan utama.
  • Aliran bakat – Kerjasama ini mungkin menarik penyelidik AI dengan fokus biologi, membentuk semula corak pengambilan pekerja dan berpotensi mendorong program akademik untuk menekankan “AI ejen untuk sains hayat.”

Kesimpulan

Pakatan Novo Nordisk dengan AWS mengubah perbualan dalam penemuan ubat daripada “apa yang AI boleh beritahu kita?” kepada “apa yang AI boleh lakukan untuk kita?” Dengan menyerahkan pelaksanaan kepada ejen autonomi, kerjasama ini bertujuan untuk memampatkan proses yang secara sejarahnya panjang dan mahal kepada kitaran yang lebih ramping dan lebih iteratif. Kejayaan boleh mentakrifkan semula kepantasan terapi baharu sampai kepada pesakit, tetapi ia bergantung kepada pengesahan yang teguh, kejelasan kawal selia, dan keupayaan untuk menyatukan ejen AI ke dalam aliran kerja makmal sedia ada. Industri akan memerhatikan keputusan pertama hab London dengan teliti; ia mungkin menjadi penanda aras bagi generasi perubatan dipacu AI yang seterusnya.