Mengapa akhir dari AI adalah biofarma?

Mengenai arah pengembangan AI di masa depan, komunitas investasi memiliki pendapat yang berbeda, ada yang percaya bahwa ini adalah industri fotovoltaik, ada yang percaya bahwa ini adalah industri tenaga listrik, sementara NVIDIA percaya bahwa ini adalah bidang biofarmasi. Dalam tata letak investasi NVIDIA tahun 2023, selain algoritma inti dan pembangunan infrastruktur di bidang AI, biofarmasi juga menjadi area utama investasinya. Kimberly Powell, wakil presiden bisnis perawatan kesehatan NVIDIA, telah menjelaskan: "Jika industri desain berbantuan komputer dapat meluncurkan perusahaan chip pertama dengan kapitalisasi pasar sebesar $2 triliun, mengapa industri penemuan obat berbantuan komputer tidak dapat menelurkan perusahaan farmasi berkapitalisasi pasar triliunan dolar berikutnya?"

 

Jelas sekali bahwa NVIDIA optimis dengan masa depan AI+BioPharma, dan bertujuan untuk menciptakan kisah sukses seperti NVIDIA lainnya. Mengapa NVIDIA memiliki ekspektasi yang tinggi untuk bidang ini? Jawaban dari pertanyaan ini membutuhkan pemahaman yang mendalam mengenai tantangan inti dan logika yang mendasari industri farmasi.

Hukum Anti-Moore
Perkembangan teknologi AI yang pesat tidak dapat dipisahkan dari kemajuan pesat industri sirkuit terpadu. Gordon Moore, pendiri Intel, setelah bertahun-tahun mempelajari industri semikonduktor secara mendalam, merangkum gagasan bahwa jumlah transistor pada sirkuit terpadu berlipat ganda setiap 18 hingga 24 bulan. Ini adalah Hukum Moore yang terkenal. Hukum Moore menyatakan bahwa seiring dengan kemajuan teknologi, kinerja prosesor akan berlipat ganda kira-kira setiap dua tahun dan harga akan turun menjadi setengah dari harga sebelumnya. Berkat iterasi dan kemajuan teknologi yang terus menerus inilah teknologi komputer telah berkembang secara eksponensial, memungkinkan semakin banyak fitur yang menakjubkan.

Namun, tidak seperti Hukum Moore di industri semikonduktor, tren di industri biofarmasi menunjukkan fenomena "anti-Hukum Moore". Untuk waktu yang lama, pengembangan obat inovatif telah dikenal sebagai "hukum dua puluhan," yang berarti bahwa biasanya dibutuhkan waktu sepuluh tahun dan biaya satu miliar dolar untuk mengembangkan obat baru. Namun, angka-angka ini sekarang sudah ketinggalan zaman, dengan data terbaru menunjukkan bahwa biaya R&D rata-rata untuk obat inovatif adalah sekitar $2,6 miliar secara global, dan siklus R&D rata-rata sekitar 10,5 tahun. Siklus R&D yang panjang dan biaya R&D yang tinggi membuat pengembangan obat inovatif menjadi sangat berisiko, tidak hanya membutuhkan dukungan finansial dalam jumlah besar, tetapi juga menghadapi tingkat kegagalan yang tinggi. Yang lebih menyulitkan lagi, kesulitan R&D terus meningkat dari waktu ke waktu, karena biaya pengembangan obat dan target baru meningkat dan laba atas investasi berkurang seiring dengan semakin banyaknya obat dan target yang ditemukan.

 

Dalam lingkungan anti-Moore's Law ini, ambang batas litbang obat inovatif semakin tinggi dan risiko investasi meningkat, sehingga litbang obat inovatif secara bertahap menjadi milik perusahaan besar. Namun, industri farmasi sering kali didorong oleh inovasi di pinggiran, dengan banyak teknologi baru yang awalnya lahir dari perusahaan rintisan. Hanya ketika teknologi ini semakin divalidasi, perusahaan besar mulai melakukan intervensi dan tata letak.
Sebuah kontradiksi yang jelas telah berkembang antara hukum perkembangan industri dan kekuatan pendorongnya, sebuah fenomena yang sangat tidak biasa yang dapat menyebabkan kemacetan dalam kemajuan teknologi medis manusia, situasi yang tidak akan disenangi oleh siapa pun.
Industri biofarmasi sangat membutuhkan perubahan, dan biaya pengembangan obat inovatif yang terus meningkat memberikan ruang untuk perubahan tersebut. Berdasarkan kedua faktor inilah NVIDIA sangat yakin bahwa teknologi AI memiliki potensi untuk merevolusi industri farmasi.
Pengalaman vs. intuisi
Industri farmasi modern sering diibaratkan sebagai kota bertembok yang dibangun berdasarkan intuisi. Meskipun obat inovatif perlu menjalani validasi klinis yang ketat dan sistematis sebelum dapat dipasarkan, proses penemuannya penuh dengan ketidakpastian. Seluruh proses penemuan obat menyerupai corong, dengan jumlah kandidat senyawa yang berhasil semakin berkurang di setiap tahap, dari penemuan obat, validasi praklinis, hingga validasi klinis. Di antara mereka, tahap penemuan obat sangat sulit, karena pengembang perlu menyaring senyawa yang tak terhitung jumlahnya untuk mengidentifikasi sekitar 10.000 kandidat potensial, dan akhirnya mengunci senyawa yang tepat setelah penyaringan berlapis-lapis. Menemukan dan mengidentifikasi target tertentu tidak hanya kebetulan, tetapi juga rumit dan membosankan untuk divalidasi, dan bahkan lebih sulit lagi untuk berhasil melokalisasi molekul yang tepat.

 

Meskipun upaya penemuan obat selama beberapa generasi telah menstandarisasi proses penemuan obat, ketika dihadapkan dengan sejumlah besar data senyawa, R&D masih sangat bergantung pada intuisi peneliti, dan data hanya dapat memberikan bantuan yang terbatas. Arah R&D yang benar adalah prasyarat untuk sukses, dan begitu rute yang salah diambil, tidak peduli berapa banyak upaya yang dilakukan, itu mungkin masih sia-sia. Ketergantungan yang berlebihan pada intuisi ini merupakan akar penyebab terus meningkatnya biaya litbang obat tradisional.
Untuk mengurangi biaya litbang di industri farmasi, perlu dilakukan pergeseran ke pendekatan litbang yang lebih berbasis data. Data pada dasarnya adalah akumulasi pengalaman, dan digitalisasi bukan berarti menghilangkan kegagalan R&D, melainkan kegagalan tersebut dapat dijadikan basis pembelajaran untuk R&D berikutnya. Melalui pelatihan model skala besar, AI dapat membuat proses penyaringan obat menjadi lebih cepat dan akurat.
Pengembangan obat inovatif dapat disamakan dengan permainan Roguelike; meskipun setiap permainan mungkin tampak acak dan pengalamannya mungkin berbeda setiap saat, kesulitan tantangan berikutnya dapat dikurangi secara bertahap melalui kegagalan dan akumulasi data yang konstan.
Farmasi AI pada dasarnya adalah proses pergeseran dari mengandalkan intuisi ahli menjadi mengandalkan umpan balik data untuk menemukan jalur R&D yang optimal melalui pelatihan model yang berkelanjutan. Pergeseran ini menandai pergeseran dari intuisi ke data, dan kemajuan dari emosi ke nalar. Terutama di banyak area penyakit yang belum ditaklukkan, mengandalkan intuisi ahli mungkin tidak lebih baik daripada mengacak keberhasilan, sementara uji coba model AI terus menerus adalah cara yang paling efektif untuk mengurangi tingkat kegagalan. ai pharma tidak hanya mengurangi biaya litbang, tetapi juga secara signifikan meningkatkan efisiensi litbang.
Sumber daya data adalah yang paling berharga
Algoritme, aritmatika, dan basis data merupakan tiga elemen inti dari teknologi AI. Dalam sebagian besar skenario aplikasi AI, algoritme merupakan penghubung utama, dan meskipun kekuatan aritmatika dan basis data sama pentingnya, investor cenderung lebih memperhatikan pengembangan algoritme model yang besar. Namun, di bidang biofarmasi, dominasi algoritme mungkin tidak begitu jelas. Tidak seperti bidang lain, sumber data dalam biofarmasi sangat berharga, sering kali bukan sumber terbuka, dan merupakan aset inti perusahaan farmasi besar. Hasil yang berhasil dan gagal diperoleh melalui uji klinis berbiaya tinggi.

Dengan demikian, jelaslah bahwa dalam bidang farmasi AI, basis data adalah kunci daya saing inti. Mengamati perusahaan farmasi AI yang populer di Tiongkok, banyak dari mereka yang bertransformasi dari perusahaan CRO. Tidak seperti perusahaan farmasi tradisional, perusahaan CRO memiliki pengalaman R&D yang kaya, dan meskipun data R&D adalah milik Pihak A, mereka dapat mengumpulkan sejumlah besar data proses dan metodologi dalam beberapa proses R&D, yang memberi mereka keuntungan dalam membangun database. Mempertimbangkan sifat data biofarmasi yang tidak terbuka, pengembangan farmasi AI dapat berjalan dalam dua arah. Salah satunya adalah perusahaan multinasional yang didanai dengan baik (MNC), yang telah mengumpulkan pengalaman dan data R&D yang kaya untuk waktu yang lama dan telah mulai mengembangkan teknologi AI secara komprehensif; yang lainnya adalah CRO yang terutama terlibat dalam transformasi farmasi AI di China, yang memiliki kemampuan konstruksi database yang kuat, dan yang kurang hanya pengembangan algoritma model besar, dan masalah daya komputasi dapat diselesaikan dengan bekerja sama dengan perusahaan teknologi seperti AliCloud dan TencentCloud. Model pertama mungkin lebih sulit direalisasikan di Cina karena industri biofarmasi domestik dimulai terlambat dan tidak memiliki perusahaan multinasional yang telah melakukan penelitian dan pengembangan obat inovatif untuk waktu yang lama.

Dalam beberapa dekade ke depan, perusahaan CRO mungkin akan menjadi aset inti dari farmasi AI China, sementara di luar negeri, hal ini terutama merupakan persaingan antara perusahaan multinasional, yang enggan membuka data mereka kepada pihak ketiga, dan bahkan perusahaan seperti Nvidia hanya dapat berpartisipasi dalam bidang biofarmasi melalui investasi. Saat ini, farmasi AI dalam negeri sedang dalam tahap awal pengembangan, dan secara kasar dapat dibagi menjadi tiga eselon. Eselon pertama mencakup perusahaan yang telah mengembangkan teknologi farmasi AI selama bertahun-tahun, seperti Chengdu Pilot, Hongbo Pharmaceuticals, Jingtai Technology, dan Medicine Stone Technology, dll.; eselon kedua adalah perusahaan yang memiliki pengalaman yang kaya dalam R&D tetapi baru saja memulai di bidang farmasi AI, seperti WuXi Kantei, Medicilon, dan Haoyuan Pharmaceuticals, dll.; dan eselon ketiga berpengalaman tetapi belum ditata secara mendalam di bidang AI oleh perusahaan CRO lainnya. Di bidang farmasi AI, data adalah sumber daya yang paling penting, dan nilai basis data jauh melebihi algoritme dan kekuatan aritmatika, itulah sebabnya perusahaan CRO dapat memimpin dalam industri farmasi AI domestik saat ini.

Hubungi Kami Sekarang!

Jika Anda membutuhkan Harga, silakan isi informasi kontak Anda di formulir di bawah ini, kami biasanya akan menghubungi Anda dalam waktu 24 jam. Anda juga bisa mengirim email kepada saya info@longchangchemical.com selama jam kerja (8:30 pagi hingga 6:00 sore UTC+8 Senin-Sabtu) atau gunakan obrolan langsung situs web untuk mendapatkan balasan secepatnya.

Senyawa Glukoamilase	9032-08-0
Pullulanase	9075-68-7
Xilanase	37278-89-0
Selulase	9012-54-8
Naringinase	9068-31-9
β-Amilase	9000-91-3
Glukosa oksidase	9001-37-0
alfa-Amilase	9000-90-2
Pektinase	9032-75-1
Peroksidase	9003-99-0
Lipase	9001-62-1
Katalase	9001-05-2
TANNASE	9025-71-2
Elastase	39445-21-1
Urease	9002-13-5
DEXTRANASE	9025-70-1
L-Laktat dehidrogenase	9001-60-9
Dehidrogenase malat	9001-64-3
Kolesterol oksidase	9028-76-6