Saluran R&D farmaseutikal tradisional terkenal dengan tempoh masa selama sedekad dan kos yang sangat tinggi, namun satu anjakan paradigma sedang berlaku di Timur. Dengan menyepadukan AI generatif dengan penyelidikan makmal automatik, inovator bioteknologi sedang memendekkan masa yang diperlukan untuk mengenal pasti calon ubat yang berpotensi daripada bertahun-tahun kepada hanya beberapa bulan sahaja.

Insilico Medicine Memecah Rekod dengan R&D Berpacukan AI

Menerajui transformasi teknologi ini ialah Insilico Medicine, sebuah firma bioteknologi yang tersenarai di Hong Kong yang sedang mendefinisikan semula kepantasan pembangunan ubat. Menurut CEO Alex Zhavoronkov, syarikat tersebut telah berjaya menggunakan kecerdasan buatan untuk mengurangkan garis masa pengeluaran bagi calon pembangunan ubat kepada kira-kira satu tahun.

Peningkatan kecekapan ini bukan sekadar teori; ia dicerminkan dalam penanda aras dunia nyata. Walaupun kitaran pembangunan tipikal syarikat tersebut adalah sekitar 13 bulan, program terpantas Insilico Medicine berjaya mencapai penamaan calon dalam masa hanya sembilan bulan. Lonjakan ini dimungkinkan melalui gabungan model AI yang canggih dengan pengesahan makmal yang ketat, mewujudkan gelung maklum balas yang mempercepatkan peralihan daripada hipotesis digital kepada molekul fizikal.

Sinergi AI Generatif dan Penyelidikan Makmal

Teras kepada kejayaan besar ini terletak pada gabungan kuasa pengkomputeran dan eksperimen biologi. Tidak seperti kaedah tradisional yang bergantung kepada penapisan berprestasi tinggi (high-throughput screening) ke atas perpustakaan fizikal yang besar, pendekatan berpacukan AI menggunakan model generatif untuk mereka bentuk molekul baharu dengan sifat biologi yang khusus.

Dengan meramalkan bagaimana molekul akan berinteraksi dengan protein sasaran sebelum ia disintesis di dalam makmal, penyelidik dapat melangkau ribuan eksperimen yang gagal. Apabila ramalan AI ini disepadukan dengan aliran kerja makmal automatik—yang sering disebut sebagai sistem "gelung tertutup" (closed-loop)—proses pengesahan calon bergerak pada kelajuan yang belum pernah terjadi sebelum ini. Sinergi ini membolehkan saintis menumpukan usaha manual mereka pada petunjuk yang paling menjanjikan, sekali gus mengurangkan fasa "cuba jaya" yang menjadi ciri penemuan ubat klasik secara signifikan.

Implikasi terhadap Landskap AI dan Bioteknologi Global

Kejayaan yang dilihat di China berfungsi sebagai bukti konsep yang kuat bagi sektor bioteknologi global. Apabila model AI menjadi lebih mahir dalam meneroka ruang kimia yang luas, "lembah kematian" (death valley) dalam penemuan ubat—iaitu tempoh di mana kebanyakan calon gagal disebabkan ketoksikan atau kurang keberkesanan—mula mengecil.

Bagi pembangun dan pengasas dalam ruang deep tech, perkembangan ini menekankan satu trend kritikal: aplikasi AI yang paling berharga sedang beralih daripada penjanaan teks dan imej kepada domain "AI fizikal". Keupayaan untuk memanipulasi data biologi dan meramalkan hasil fizikal mempunyai implikasi ekonomi yang besar, berpotensi merendahkan halangan kemasukan untuk merawat penyakit jarang jumpa dan mengurangkan kos penjagaan kesihatan secara keseluruhan di peringkat global.

Ringkasan Utama

  • Pengurangan Masa yang Drastik: Insilico Medicine telah menunjukkan bahawa AI boleh mengurangkan garis masa penamaan calon ubat kepada seawal sembilan bulan.
  • Metodologi Hibrid: Terobosan ini didorong oleh gabungan reka bentuk AI generatif dan pengesahan makmal automatik, beralih daripada kaedah cuba jaya tradisional.
  • Peralihan dalam Ekonomi R&D: Peralihan daripada tahun kepada bulan dalam fasa penemuan mewakili anjakan asas dalam cara syarikat bioteknologi menguruskan modal dan kepantasan penyelidikan.

Mengapa kepantasan itu penting

Penemuan ubat telah lama menjadi satu maraton. Syarikat menghabiskan masa bertahun-tahun menyaring berjuta-juta sebatian, dan sering kali gagal sebelum satu molekul pun mencapai ujian klinikal. Kos untuk membawa sesuatu molekul daripada konsep ke pasaran secara rutin mencecah berbilion ringgit, dan kadar penyusutan—terutamanya dalam fasa "penemuan" awal—kekal tinggi. Di China, di mana sektor bioteknologi berkembang pesat, saluran yang lebih pantas boleh memberikan kelebihan daya saing kepada firma domestik berbanding pemain global yang sedia ada dan mempercepatkan cita-cita negara untuk menjadi peneraju dalam terapeutik inovatif.

Bagaimana Insilico mencapai sasaran 9 bulan

Insilico Medicine, listed in Hong Kong, attributes the record timeline to a blend of generative artificial intelligence and automated laboratory workflows. Generative AI refers to models that create new molecular structures rather than merely evaluating existing ones. By feeding the algorithm data on protein targets and desired pharmacological properties, the system proposes novel compounds that are predicted to bind effectively.

The company’s CEO, Alex Zhavoronkov, says the platform typically moves a project from target identification to candidate nomination in about 13 months. In its fastest run, the loop closed in nine months. The reduction comes from bypassing the massive physical libraries that traditional high-throughput screening relies on; instead, the AI designs molecules on a computer, filters out unlikely candidates, and forwards only the most promising structures to the lab.

The AI-lab feedback loop

Once a molecule is synthesized, automated instruments test its activity, toxicity and other key metrics. The results feed back into the AI, refining its predictions for the next round. This “closed-loop” system means human scientists spend less time on trial-and-error and more time interpreting data that the algorithm has already narrowed down.

By predicting how a compound will behave before it is ever made, the approach can skip thousands of dead-end experiments. The automation of assays further compresses the validation phase, allowing a single candidate to move from computer to bench to nomination in a fraction of the traditional time.

Who stands to gain and who may be left behind

Conversely, firms that cling to conventional screening methods may find themselves outpaced.

Caveats and the road ahead

The promise of AI-accelerated discovery does not erase the need for rigorous validation. Predictive models are only as good as the data they are trained on, and biases in training sets can lead to missed safety signals. Moreover, while the nine-month figure is impressive, it represents a single program; scaling the approach across multiple targets could reveal bottlenecks not yet apparent.

What to watch next

The nine-month milestone shows that the chemistry of drug discovery is no longer bound strictly to the laboratory bench. When algorithms can sketch a viable molecule and machines can test it in days, the whole timeline contracts. Whether that contraction becomes the new norm will depend on how quickly the ecosystem—companies, investors, regulators and patients—adapts to a world where “physical AI” writes the first draft of tomorrow’s medicines.