Salah satu keuntungan utama penerapan AI pada tahap awal penemuan obat adalah AI dapat melakukan penyaringan virtual dalam skala besar, atau melakukan beberapa eksperimen secara bersamaan, sehingga meningkatkan skala penyaringan senyawa dan memajukan senyawa potensial menjadi senyawa timbal, serta kecepatan kandidat terapi. Jim Collins, seorang profesor di MIT, menyatakan dalam sebuah wawancara dengan tim konten WuXi AppTec bahwa para peneliti dapat melatih model AI dengan perpustakaan senyawa skala kecil dan kemudian menggunakan model ini untuk menjelajahi ruang kimia yang luas. Hal ini memungkinkan timnya menyelesaikan penyaringan perpustakaan senyawa virtual yang berisi miliaran senyawa dalam beberapa hari. Hal ini tidak dapat dicapai melalui eksperimen konvensional.
Bapak Panna Sharma, CEO Lantern Pharma, menyatakan dalam sebuah wawancara dengan Nature Cancer bahwa proyek penelitian dan pengembangan anti-kanker perusahaan, mulai dari lubang awal yang dihasilkan AI hingga memasuki uji klinis pertama pada manusia, memakan waktu sekitar separuh waktu dari strategi tradisional dan dapat mengurangi biaya hingga 80%. Perusahaan lain yang memanfaatkan AI untuk pengembangan obat, seperti Recursion dan Insilico Medicine, memiliki pengalaman serupa. Meskipun kecerdasan buatan tidak dapat menggantikan eksperimen saat ini, kecerdasan buatan dapat memungkinkan peneliti menyelesaikan eksperimen yang benar dengan lebih cepat, sehingga meningkatkan tingkat keberhasilan.
Salah satu dampak awal kecerdasan buatan pada pengobatan kanker mungkin tercermin dalam penggunaan kembali obat-obatan yang gagal atau usang. Mengambil contoh Lantern, platform kecerdasan buatannya mengumpulkan miliaran titik data terkait onkologi. Data ini berasal dari penelitian ilmiah, uji klinis, dan database. Dengan menggunakan pembelajaran mesin untuk memprediksi respons pasien terhadap kandidat obat, kecerdasan buatan dapat dengan cepat menemukan indikasi baru yang belum ditemukan atau mengidentifikasi subtipe kanker baru dan biomarkernya yang belum sepenuhnya dikarakterisasi.
Mengidentifikasi kombinasi obat yang efektif adalah arah penerapan kecerdasan buatan lainnya. Saat ini, pengujian kombinasi obat sulit dilakukan dan memakan waktu, sementara kecerdasan buatan dapat lebih cepat memprediksi kombinasi obat mana yang lebih efektif dengan menganalisis data dari semua uji klinis.
Kemampuan AI generatif untuk menyesuaikan struktur molekul baru berdasarkan fitur target tertentu untuk mencapai efek terapeutik tertentu merupakan hal yang sangat menarik bagi para pendukungnya. Saat ini, AI generatif telah menunjukkan kemampuan merancang protein baru atau senyawa molekul kecil dari awal berdasarkan karakteristik target dalam penelitian praklinis. Misalnya, tim Profesor David Baker, seorang peraih Nobel, menerbitkan makalah di jurnal Science yang memperkenalkan alat simulasi protein yang ditingkatkan RoseTTAFold All Atom dan alat desain protein RFdiffuion All Atom. RoseTTAFold All Atom memungkinkan para ilmuwan untuk mensimulasikan interaksi antara protein dan biomolekul lainnya. RFdiffuion All Atom memungkinkan para ilmuwan merancang protein baru dari awal berdasarkan kantong yang mengikat senyawa tertentu, sehingga berpotensi membuka jalan untuk merancang terapi yang tepat.
Di sisi lain, sebagian besar biomolekul yang dihasilkan oleh AI dalam jalur penelitian dan pengembangan klinis saat ini masih serupa dengan molekul yang sudah ada, yang telah disesuaikan untuk meningkatkan selektivitasnya atau mengurangi toksisitas non-target.
Kandidat obat masih perlu dibuktikan kemanjurannya pada manusia, dan hal ini tidak dapat dicapai tanpa uji klinis. Dalam proses pengembangan obat, uji klinis menghabiskan sebagian besar biaya dan waktu penelitian dan pengembangan, sehingga peningkatan efisiensi sekecil apa pun dapat memberikan dampak yang besar.
Rekursi menggunakan data klinis dan multi omics dari lembaga pengumpulan data profesional seperti Tempus, berdasarkan model kecerdasan buatan untuk mengidentifikasi pasien yang mungkin menghasilkan respons terbaik. Meningkatkan skrining pasien tidak hanya berarti uji coba berskala lebih kecil, namun secara teoritis juga meningkatkan tingkat keberhasilan.
Kecerdasan buatan juga dapat digunakan untuk menemukan pasien yang cocok dan menentukan lokasi uji coba yang optimal, sehingga memaksimalkan percepatan rekrutmen pasien.
