1. Bagaimana model komputasi dan AI/ML dimanfaatkan dalam pengembangan formulasi tahap awal?
Hingga 90% kandidat obat sedang dalam pengembangan sulit larut, berpose signifikan risiko terhadap keberhasilan komersial. Untuk mengurangi hal ini, kecerdasan buatan (AI) dan pembelajaran mesin (ML) digunakan dalam silikon untuk mempercepat pengembangan fase awal dengan memprediksi teknologi pelarutan yang optimal, seperti formulasi dispersi padat amorf.
Model lanjutan, termasuk simulasi dinamika molekul dan perhitungan mekanika kuantum, menganalisis deskriptor molekuler (seperti model muatan permukaan energi potensial dan donor/akseptor ikatan hidrogen) untuk mengkarakterisasi interaksi obat-eksipien dan memprediksi pemuatan obat maksimum yang layak. Sistematis ini dalam-silico Kerangka kerja ini memandu pemilihan eksipien, meminimalkan konsumsi API, dan mengurangi ketergantungan pada uji coba empiris, sehingga menghemat waktu dan sumber daya.
2. Bagaimana mekanisme digital twins yang didukung AI untuk mempercepat evaluasi praklinis?
Penelitian dan pengembangan farmasi menghadapi kendala karena tingginya biaya dan rendahnya kemampuan penerjemahan model praklinis konvensional. Si kembar digital—simulasi komputer dari sistem fisik—dilatih menggunakan data multi-modal berskala besar yang dikumpulkan bekas hidup sistem perfusi paru-paru, yang menyediakan data “bersih”. pada organ manusia yang terisolasi. Model-model ini, yang menggabungkan data fisiologi, biokimia, dan transkriptomik, telah mencapai akurasi lebih dari 90% dalam memperkirakan fungsi paru-paru.
Inovasi ini menciptakan sistem kontrol digital yang dipersonalisasi untuk setiap organ yang dirawat dengan menghasilkan hasil kontrafaktual (efek yang tidak diobati). Kemampuan ini memungkinkan peneliti untuk melakukan analisis statistik berpasangan, memungkinkan perbandingan langsung antara pengobatan yang diamati dan hasil yang dihasilkan kembar digital dalam organ yang sama. Metode ini telah mengungkapkan efek terapeutik yang terlewatkan oleh penelitian dua kelompok tradisional dan dirancang untuk mempercepat penemuan obat dengan mengurangi ukuran penelitian yang diperlukan.
3. Bagaimana AI mengubah alur kerja bioanalitis dan manufaktur?
AI, ML, dan model bahasa besar (LLM) sedang meningkatkan bioanalisis dengan meningkatkan kualitas, efisiensi, kepatuhan, dan mengurangi kesalahan manusia. Aplikasi yang divalidasi awal mencakup otomatisasi penulisan laporan dan pemeriksaan kendali mutu yang mengintegrasikan data dari buku catatan laboratorium elektronik dan sistem manajemen informasi laboratorium untuk mengidentifikasi tren kegagalan sejak dini. LLM mengotomatiskan pembuatan protokol penelitian, laporan validasi, dan dapat menyusun bagian bioanalitik dari dokumen teknis umum elektronik. AI juga mengoptimalkan pengembangan metode pengujian, termasuk pengikatan ligan dan kromatografi cair yang dipadukan dengan spektrometri massa, dengan memprediksi kondisi optimal dan melakukan deteksi puncak cerdas. Otoritas kesehatan juga menggunakan AI untuk menganalisis data yang dikirimkan dalam pengajuan dan selama inspeksi di tempat.
Di bidang manufaktur, AI diharapkan dapat melakukan hal tersebut merevolusi hasil proses—termasuk hasil, tingkat perolehan pertama yang tepat, dan kecepatan transfer teknologi—dengan mempercepat karakterisasi proses melalui identifikasi pola di seluruh kumpulan data yang besar. Kemampuan ini sangat penting untuk modalitas dengan variabilitas tinggi seperti terapi sel dan gen.
4. Apa saja hambatan utama dalam penerapan AI secara lebih luas di industri farmasi?
Hambatan yang paling besar untuk implementasi AI adalah prasyarat untuk digitalisasi dan kurangnya data berkualitas tinggi. Banyak organisasi tidak menyadari betapa berbeda atau tersebarnya sistem lama mereka hingga penerapannya dimulai, sehingga memerlukan upaya awal yang signifikan untuk konsolidasi dan pembersihan data (kebersihan data). Kendala organisasi, seperti strategi AI yang terfragmentasi dan silo internal, semakin menghambat penerapannya secara lebih luas.
Panduan peraturan berkembang pesat dan berpusat pada pendekatan penilaian risiko yang mengevaluasi bagaimana perilaku model AI berdampak pada kualitas, keamanan, dan efisiensi produk akhir obat bagi pasien. Untuk bioanalisis yang diatur, pengendalian harus ada untuk mencegah risiko halusinasi (pembuatan data tidak disediakan), sehingga memerlukan jalur audit untuk memastikan kepatuhan.
