Diogo Rau, Chief Information and Digital Officer di Eli Lilly, baru-baru ini terlibat dalam beberapa eksperimen di kantor, namun bukan pekerjaan penelitian obat-obatan biasa yang mungkin Anda lihat dilakukan di laboratorium sebuah perusahaan farmasi besar.
Lilly menggunakan AI generatif untuk menelusuri jutaan molekul. Karena AI mampu bergerak dengan kecepatan penemuan yang dapat menghasilkan molekul sebanyak yang dapat disintesis Lilly dalam satu tahun penuh dalam laboratorium basah tradisional dalam waktu lima menit, maka masuk akal untuk menguji batasan kecerdasan buatan dalam bidang kedokteran. Namun tidak ada cara untuk mengetahui apakah sebagian besar desain yang dihasilkan AI akan berfungsi di dunia nyata, dan hal ini merupakan sesuatu yang ingin dipelajari lebih lanjut oleh para eksekutif perusahaan yang skeptis.
Desain biologis teratas yang dihasilkan AI, molekul yang digambarkan Rau sebagai “struktur aneh” yang tidak terlalu cocok dengan database molekuler yang ada di perusahaan tetapi tampak seperti kandidat obat yang berpotensi kuat, dibawa ke ilmuwan riset Lilly. Para eksekutif, termasuk Rau, memperkirakan para ilmuwan akan menolak hasil AI.
“Mereka tidak mungkin sebaik itu?” dia teringat bagaimana pemikirannya sebelum mempresentasikan hasil AI.
Para ilmuwan diharapkan untuk menunjukkan segala sesuatu yang salah dengan desain yang dihasilkan AI, namun jawaban yang mereka berikan mengejutkan para eksekutif Lilly: “‘Itu menarik; kami belum terpikir untuk merancang molekul seperti itu,” kenang Rau. . kata mereka saat menceritakan kisah yang sebelumnya tidak dilaporkan kepada para peserta CNBC Technology Executive Summit bulan November lalu.
“Itu merupakan pencerahan bagi saya,” kata Rau. “Kami selalu berbicara tentang melatih mesin, namun seni lainnya adalah mesin menghasilkan ide berdasarkan kumpulan data yang tidak dapat dilihat atau divisualisasikan oleh manusia. Hal ini memacu lebih banyak kreativitas dengan membuka jalan bagi pengembangan obat untuk membuat apa yang bisa dilakukan manusia. orang tidak bisa menyelidiki sebaliknya.”
Menurut para eksekutif yang bekerja di persimpangan antara AI dan layanan kesehatan, bidang ini berada pada jalur di mana obat-obatan akan sepenuhnya dihasilkan oleh AI dalam waktu dekat; menurut beberapa orang, hal ini akan menjadi norma dalam penemuan obat paling lama dalam beberapa tahun. AI generatif dengan cepat mempercepat penerapannya pada pengembangan dan penemuan obat-obatan baru, sebuah langkah yang tidak hanya akan membentuk kembali industri farmasi, namun juga ide-ide di tingkat dasar yang tertanam dalam metode ilmiah selama berabad-abad.
Saat DeepMind Google memecahkan cetakan protein
Saat lintasan ini pertama kali terlihat adalah bertahun-tahun sebelum ChatGPT mulai dikenal publik. Itu adalah “momen AlphaFold” pada tahun 2021, menurut Kimberly Powell, wakil presiden layanan kesehatan di Nvidia, ketika unit AI DeepMind Google – yang dikenal karena menunjukkan betapa berbedanya pemikiran kreatif AI dengan manusia dalam permainan strategi Go di Tiongkok – mempelopori penerapan model bahasa besar AI pada biologi. “AlphaFold adalah momen penting ketika kami dapat melatih model transformator ini dengan kumpulan data yang sangat besar dan beralih dari urutan asam amino ke struktur protein, yang merupakan inti dari pengembangan dan desain obat,” kata Powell.
Kemajuan terkait AI terjadi dalam bidang biologi yang semakin terdigitalisasi dengan apa yang digambarkan Powell sebagai “skala dan resolusi yang belum pernah terjadi sebelumnya.”
Ini adalah revolusi medis yang mencakup genomik spasial yang mencakup pemindaian jutaan sel dalam jaringan, dalam 3-D, dan pembuatan model AI yang secara khusus memanfaatkan katalog bahan kimia yang sudah dalam bentuk digital yang memungkinkan model transformator AI generatif mulai bekerja. Sekarang. mereka. “Pelatihan ini dapat dilakukan dengan pembelajaran tanpa pengawasan dan pengawasan mandiri, dan dapat dilakukan tidak hanya dengan cepat, tetapi juga secara imajinatif: AI dapat ‘memikirkan’ model obat yang tidak dapat dilakukan oleh manusia,” kata Powell.
Analogi untuk memahami perkembangan agen AI dapat ditemukan pada mekanisme ChatGPT. “Ini pada dasarnya dilatih di setiap buku, setiap halaman web, setiap dokumen PDF, dan ini adalah pengetahuan tentang dunia yang dikodekan sedemikian rupa sehingga Anda dapat mengajukan pertanyaan dan dapat menghasilkan jawaban untuk Anda,” kata Powell.
Penemuan obat versi GPT
Penemuan obat adalah proses menyaksikan interaksi dan perubahan perilaku biologis, namun hal yang memerlukan waktu berbulan-bulan, atau bertahun-tahun, di laboratorium dapat direpresentasikan dalam model komputer yang mensimulasikan perilaku biologis tradisional. “Dan ketika Anda dapat mensimulasikan perilaku mereka, Anda dapat memprediksi bagaimana segala sesuatunya dapat bekerja sama dan berinteraksi,” katanya. “Kami sekarang memiliki kemampuan untuk membayangkan dunia obat-obatan – biologi dan kimia – karena kami memiliki superkomputer AI yang menggunakan AI dan metode mirip GPT, dan dengan semua data biologi digital kami dapat membayangkan dunia obat-obatan dalam komputer untuk pertama kalinya.”
Ini adalah perubahan radikal dari metode empiris klasik yang mendominasi penemuan obat selama satu abad terakhir: eksperimen ekstensif, pengumpulan data selanjutnya, analisis data pada tingkat manusia, diikuti dengan proses desain lain berdasarkan hasil tersebut. Eksperimen di dalam perusahaan, diikuti dengan berbagai titik keputusan yang diharapkan oleh para ilmuwan dan manajer akan menghasilkan uji klinis yang sukses. “Ini adalah proses yang sangat artifisial,” kata Powell. Hasilnya, proses penemuan obat memiliki tingkat kegagalan 90%.
Pendukung AI percaya bahwa hal ini akan menghemat waktu dan meningkatkan tingkat keberhasilan, mengubah proses klasik menjadi rekayasa yang lebih sistematis dan berulang, sehingga memungkinkan peneliti obat untuk membangun tingkat keberhasilan yang lebih tinggi. Mengutip hasil penelitian terbaru yang dipublikasikan di Nature, Powell mencatat bahwa Amgen telah menemukan bahwa proses penemuan obat yang tadinya memakan waktu bertahun-tahun, dapat dipersingkat menjadi berbulan-bulan dengan bantuan AI. Yang lebih penting lagi – mengingat biaya pengembangan obat yang berkisar antara $30 juta hingga $300 juta per uji coba – tingkat keberhasilannya melonjak ketika AI diperkenalkan pada awal proses. Setelah proses pengembangan tradisional selama dua tahun, kemungkinan keberhasilannya adalah 50/50. Pada akhir proses peningkatan AI yang lebih cepat, tingkat keberhasilan meningkat hingga 90%, kata Powell.
“Kemajuan penemuan obat, kami perkirakan, akan meningkat secara besar-besaran,” kata Powell. Beberapa kelemahan AI generatif yang diketahui, misalnya kecenderungan untuk berhalusinasi, dapat berperan penting dalam penemuan obat. “Selama beberapa dekade terakhir, kita telah melihat target yang sama, tapi bagaimana jika kita bisa menggunakan pendekatan generatif untuk membuka target baru?” dia menambahkan.
‘Halusinasi’ obat baru
Penemuan protein adalah contohnya. Evolusi biologis bekerja dengan mengidentifikasi protein yang bekerja dengan baik, dan kemudian alam terus bergerak maju. Itu tidak menguji semua protein lain yang mungkin bekerja dengan baik, atau bekerja lebih baik. AI, di sisi lain, dapat memulai pekerjaannya dengan protein yang tidak ada dalam model, sebuah pendekatan yang tidak dapat dipertahankan dalam model empiris klasik. Dari segi jumlah, AI mempunyai penemuan yang jauh lebih besar untuk dijelajahi. Dengan potensi jumlah protein yang dapat bertindak sebagai terapi yang pada dasarnya tidak terbatas, Powell mengatakan – 10 pangkat 160, atau sepuluh dengan seratus enam puluh nol – batas yang ada dalam bekerja dengan protein yang diberikan alam kepada umat manusia, telah meledak. . “Anda dapat menggunakan model ini untuk berhalusinasi terhadap protein yang memiliki semua fungsi dan fitur yang kita perlukan. Mereka dapat pergi ke tempat yang tidak dapat dicapai oleh pikiran manusia, namun komputer dapat melakukannya,” kata Powell.
University of Texas di Austin baru-baru ini membeli salah satu cluster komputasi NVIDIA terbesar untuk Center for Generative AI yang baru.
“Sama seperti ChatGPT yang dapat belajar dari rangkaian huruf, bahan kimia juga dapat direpresentasikan sebagai rangkaian, dan kita dapat belajar darinya,” kata Andy Ellington, profesor biosains molekuler. AI belajar membedakan narkoba dari non-narkoba, dan membuat obat baru, sama seperti ChatGPT membuat kalimat, kata Ellington. “Seiring kemajuan ini dibarengi dengan upaya berkelanjutan untuk memprediksi struktur protein, maka senyawa mirip obat dapat segera diidentifikasi yang dapat memenuhi target utama,” katanya.
Daniel Diaz, peneliti pascadoktoral di bidang ilmu komputasi yang memimpin kelompok protein dalam di Institute for Foundations of Machine Learning, UT, mengatakan sebagian besar penelitian AI saat ini mengenai obat-obatan berpusat pada penemuan molekul kecil, namun menurutnya dampak yang lebih besar akan terjadi pada pengembangan teknologi. obat biologis baru (obat berbasis protein), di mana ia telah melihat bagaimana AI dapat mempercepat proses menemukan desain terbaik.
Kelompoknya saat ini sedang melakukan percobaan pada hewan mengenai terapi kanker payudara yang merupakan versi rekayasa dari protein manusia yang memecah metabolit utama yang menjadi sandaran kanker payudara—yang pada dasarnya membuat kanker kelaparan. Secara tradisional, ketika para ilmuwan membutuhkan protein untuk terapi, mereka mencari beberapa karakteristik, termasuk protein stabil yang tidak mudah terurai. Hal ini mengharuskan para ilmuwan untuk memperkenalkan rekayasa genetika untuk memodifikasi protein, sebuah proses rumit dalam pekerjaan laboratorium – memetakan struktur dan mengidentifikasi, dari semua kemungkinan modifikasi genetik, pilihan terbaik.
Kini, model AI membantu mempersempit kemungkinan, sehingga para ilmuwan mengetahui lebih cepat modifikasi optimal apa yang harus dicoba. Dalam percobaan yang dikutip Diaz, penggunaan versi yang disempurnakan dengan AI yang lebih stabil menghasilkan peningkatan sekitar tujuh kali lipat dalam hasil protein, sehingga para peneliti mendapatkan lebih banyak protein untuk diuji, digunakan, dll. “Hasilnya terlihat sangat menjanjikan,” katanya. Dan karena ini adalah protein yang berasal dari manusia, kemungkinan pasien alergi terhadap obat tersebut – reaksi alergi terhadap obat-obatan yang berbahan dasar protein adalah masalah besar – berkurang.
Peluncuran Nvidia baru-baru ini atas apa yang mereka sebut sebagai “layanan mikro” untuk perawatan kesehatan AI, termasuk penemuan obat – sebuah komponen dari ambisi agresifnya untuk mengadopsi AI di sektor kesehatan – memungkinkan para peneliti menyaring triliunan senyawa obat dan memprediksi struktur protein. Perusahaan desain perangkat lunak komputer Cadence mengintegrasikan Nvidia AI ke dalam platform desain molekuler yang memungkinkan para peneliti menghasilkan, mencari, dan memodelkan perpustakaan data dengan ratusan miliar senyawa. Ia juga menawarkan kemampuan penelitian terkait model protein AlphaFold-2 DeepMind.
“AlphaFold sulit digunakan oleh ahli biologi, jadi kami menyederhanakannya,” kata Powell. “Anda dapat membuka halaman web dan memasukkan rangkaian asam amino dan struktur sebenarnya akan keluar. Jika Anda melakukannya dengan sebuah instrumen, instrumen tersebut akan menghabiskan biaya $5 juta, dan Anda memerlukan tiga (penuh waktu) pekerja setara) FTE untuk dijalankan, dan Anda bisa mendapatkan strukturnya dalam waktu satu tahun. Kami langsung membuatnya menjadi halaman web,” kata Powell.
Pada akhirnya, obat-obatan yang dirancang dengan AI akan berhasil atau gagal berdasarkan pada langkah terakhir tradisional dalam pengembangan obat: kinerja dalam uji coba pada manusia.
“Anda masih harus menunjukkan bukti tanah,” kata Powell.
Dia membandingkan tingkat kemajuan saat ini dengan pelatihan mobil self-driving, di mana data terus dikumpulkan untuk memperkuat dan menyempurnakan model. “Hal yang persis sama terjadi dalam penemuan obat,” katanya. “Anda dapat menggunakan metode ini untuk menjelajahi ruang angkasa baru… mengasahnya, mengasahnya… melakukan eksperimen yang lebih cerdas, mengambil data eksperimen tersebut dan memasukkannya kembali ke model, dan ke mana pun Anda pergi.”
Namun ruang biologis dalam bidang model AI yang lebih luas masih kecil jika dibandingkan. Industri AI berada dalam kisaran satu triliun model atau lebih di bidang pemrosesan multimodal dan bahasa alami. Sebagai perbandingan, model biologi berjumlah puluhan miliar.
“Kita berada di babak awal,” kata Powell. “Rata-rata sebuah kata panjangnya kurang dari sepuluh huruf. Sebuah genom panjangnya 3 miliar huruf.”
