AI Mengubah Penemuan Obat Molekul Kecil

Artificial Intelligence Mengubah Peta Penemuan Obat Molekul Kecil

Di tengah bentang luas “alam semesta kimia”, para ilmuwan memperkirakan terdapat antara 10²⁰ hingga 10⁶⁰ senyawa yang secara teoritis berpotensi menjadi obat berbasis molekul kecil. Angka ini menggambarkan ruang kimia yang nyaris tak terbatas, terlalu besar untuk dijelajahi hanya dengan eksperimen konvensional. Menguji bahkan sebagian kecil dari kandidat tersebut akan menelan waktu, biaya, dan sumber daya yang luar biasa besar. Di sinilah artificial intelligence mengambil peran strategis: menyaring, memprioritaskan, dan memilih senyawa paling menjanjikan secara sistematis, sehingga penemuan obat molekul kecil dapat dilakukan dengan cara yang lebih terarah, cepat, dan hemat biaya.

Profil Ilmuwan: Connor Coley dan Persimpangan Kimia–Komputasi

Salah satu tokoh kunci dalam revolusi ini adalah Associate Professor MIT, Connor Coley PhD ’19, Class of 1957 Career Development Associate Professor. Ia memegang janji jabatan ganda di Department of Chemical Engineering, Department of Electrical Engineering and Computer Science, serta MIT Schwarzman College of Computing, menempatkannya tepat di persimpangan teknik kimia, ilmu komputer, dan kemoinformatika. Coley mengembangkan model komputasional canggih yang mampu menjelajahi ruang kimia sangat luas, mengusulkan molekul baru dengan sifat terukur, dan memprediksi jalur reaksi yang diperlukan untuk mensintesisnya secara efisien dan dapat direplikasi. Pendekatan berbasis artificial intelligence yang ia kembangkan bersifat umum dan dapat diterapkan pada berbagai aplikasi molekul organik, mulai dari bahan kimia fungsional hingga senyawa bernilai tinggi lainnya. Namun, fokus utamanya tetap pada penemuan obat berbasis molekul kecil, mengingat besarnya kebutuhan medis yang belum terpenuhi dan urgensi menghadirkan terapi baru yang efektif, aman, dan dapat diproduksi dalam skala industri.

Akar Akademik dan Perjalanan Pendidikan

Minat ilmiah Coley tumbuh dalam lingkungan keluarga yang sarat tradisi akademik. Ia menyebut bahwa jumlah ilmuwan dalam keluarganya lebih banyak daripada anggota keluarga yang bukan ilmuwan, sehingga diskusi ilmiah menjadi bagian dari keseharian. Ayahnya adalah seorang ahli radiologi di bidang pencitraan medis, sementara ibunya mempelajari biofisika molekuler dan biokimia sebelum melanjutkan studi di MIT Sloan School of Management. Neneknya, seorang profesor matematika, memperkenalkan cara berpikir logis dan analitis sejak dini. Coley tumbuh di Dublin, Ohio, aktif mengikuti berbagai kompetisi Science Olympiad yang menekankan pemecahan masalah ilmiah. Ia menyelesaikan sekolah menengah pada usia 16 tahun dan melanjutkan studi di California Institute of Technology (Caltech), salah satu institusi sains paling bergengsi di dunia. Di sana, ia memilih teknik kimia karena bidang ini memadukan sains, matematika, dan rekayasa proses. Selama masa sarjananya, ia mulai tertarik pada ilmu komputer dan pemrograman sebagai alat analisis, bekerja di sebuah laboratorium biologi struktural, dan menggunakan bahasa pemrograman Fortran untuk membantu menentukan struktur kristal protein—pengalaman awal yang mempertemukannya dengan integrasi komputasi dan eksperimen.

Dari Doktoral di MIT hingga Program Make-It

Setelah lulus dari Caltech, Coley melanjutkan ke program doktoral teknik kimia di MIT pada 2014. Di bawah bimbingan Profesor Klavs Jensen dan William Green, ia berfokus pada optimasi reaksi kimia otomatis dengan memanfaatkan algoritma canggih. Penelitiannya menggabungkan machine learning dan kemoinformatika untuk menganalisis data kimia berskala besar, merancang jalur reaksi, dan mensintesis molekul obat baru secara sistematis. Ia juga berkontribusi pada pengembangan perangkat keras yang mampu menjalankan reaksi kimia secara otonom, memungkinkan siklus tertutup antara desain komputasional dan validasi eksperimental. Sebagian karyanya dilakukan dalam inisiatif yang didanai Defense Advanced Research Projects Agency (DARPA) bernama Make-It, yang bertujuan memanfaatkan machine learning dan sains data untuk meningkatkan sintesis obat dan senyawa bernilai tinggi lainnya dari bahan awal sederhana. Melalui program ini, Coley mendalami kemoinformatika secara lebih sistematis dan mengeksplorasi bagaimana model komputasional dapat memetakan cara pembuatan berbagai bahan kimia dan reaksi yang mungkin terjadi, dengan mengintegrasikan data reaksi historis, teori kimia, dan algoritma prediktif.

Menjadi Fakultas Muda di MIT dan Ekosistem Kolaboratif

Masih berstatus mahasiswa pascasarjana, Coley mulai melamar posisi fakultas dan menerima tawaran dari MIT pada usia 25 tahun—sebuah pencapaian yang jarang terjadi. Keputusan untuk tetap di institusi tempat ia ditempa memunculkan beragam nasihat, termasuk kekhawatiran bahwa ia membutuhkan pengalaman eksternal. Namun, ia menilai kesempatan tersebut terlalu berharga untuk dilewatkan, mengingat dukungan infrastruktur dan peluang kolaborasi yang luar biasa. Menurutnya, MIT memiliki sumber daya yang kaya dan kelenturan lintas disiplin yang kuat, memungkinkan proyek kolaboratif berskala besar di persimpangan artificial intelligence, kimia, biologi, dan rekayasa. Ekosistem yang dinamis, mahasiswa berkaliber tinggi, serta budaya kolaborasi yang kuat di antara laboratorium membuat kekhawatiran tentang “tetap di rumah sendiri” menjadi kurang relevan. Lingkungan ini memberinya ruang untuk mengembangkan riset di bidang artificial intelligence dalam penemuan obat molekul kecil, termasuk pengembangan model generatif dan sistem otomasi laboratorium.

Pengalaman di Broad Institute dan Fokus pada Biologi Kimia

Coley menunda awal perannya sebagai anggota fakultas selama satu tahun untuk menyelesaikan fellowship postdoktoral di Broad Institute, sebuah pusat penelitian biomedis terkemuka. Di sana, ia memperdalam pemahaman tentang biologi kimia dan penemuan obat, khususnya interaksi molekul kecil dengan target biologis. Ia mengembangkan metode untuk mengidentifikasi molekul kecil dari miliaran kandidat dalam pustaka berlabel DNA, memungkinkan skrining ber-throughput tinggi terhadap senyawa yang dirancang untuk berikatan dengan protein mutan terkait berbagai penyakit. Pengalaman ini memperkaya perspektifnya tentang bagaimana artificial intelligence dapat diintegrasikan dengan platform eksperimental berskala besar untuk mempercepat penemuan terapi presisi.

Mendirikan Laboratorium Sendiri dan Agenda Riset

Pada 2020, Coley kembali ke MIT dan membentuk kelompok risetnya sendiri yang berfokus pada integrasi komputasi dan eksperimen. Tujuan utamanya bukan sekadar mensintesis senyawa yang sudah diketahui memiliki potensi terapeutik, tetapi juga merancang molekul baru dengan sifat fisikokimia dan farmakologis yang diinginkan. Ia berupaya menemukan rute sintesis yang efisien, aman, dan dapat diskalakan untuk memproduksi molekul tersebut. Dalam beberapa tahun terakhir, laboratoriumnya memperkenalkan berbagai metode komputasional, termasuk model prediksi reaktivitas dan platform desain molekul generatif. Setiap tantangan dalam kimia diupayakan memiliki padanan solusi komputasional yang spesifik, sehingga kebutuhan praktis di laboratorium sering kali memicu lahirnya metode baru dalam machine learning—misalnya untuk menangani data yang bising, tidak seimbang, atau terbatas. Dengan demikian, artificial intelligence tidak hanya menjadi alat bantu, tetapi juga motor inovasi metodologis yang memperkaya ilmu data kimia.

Model ShEPhERD: Memetakan Interaksi Molekul–Protein

Salah satu model yang dikembangkan di laboratorium Coley adalah ShEPhERD, sebuah model yang dirancang untuk mengevaluasi molekul obat kandidat berdasarkan cara branda kemungkinan besar berinteraksi dengan protein target. Model ini memanfaatkan representasi tiga dimensi molekul dan target, sehingga dapat mempertimbangkan geometri dan komplementaritas permukaan secara lebih realistis. Dengan memperhitungkan bentuk tiga dimensi, ShEPhERD mampu menilai kecocokan struktural dengan lebih akurat dibandingkan pendekatan berbasis dua dimensi. Sejumlah perusahaan farmasi kini menggunakan model ini untuk mendukung upaya penemuan obat branda, terutama pada tahap penyaringan awal dan optimasi kandidat. Coley dan timnya juga berupaya memasukkan lebih banyak intuisi kimia medikinal ke dalam model generatif, sehingga model tidak sekadar menghasilkan molekul secara acak, tetapi juga “menyadari” kriteria praktis yang penting bagi ahli kimia, seperti kelarutan, stabilitas metabolik, dan potensi toksisitas. Integrasi pengetahuan domain ini menjembatani kesenjangan antara perhitungan komputasional dan praktik laboratorium, sekaligus meningkatkan keandalan artificial intelligence dalam penemuan obat molekul kecil.

Model FlowER: Memahami Jalur Reaksi Secara Mekanistik

Dalam proyek lain, tim Coley mengembangkan model artificial intelligence generatif bernama FlowER, yang dirancang untuk memprediksi produk yang akan terbentuk ketika berbagai input kimia dikombinasikan. Model ini memanfaatkan arsitektur pembelajaran mendalam yang mampu menangkap pola kompleks dalam data reaksi. Para peneliti menyematkan prinsip-prinsip fisika fundamental, seperti kekekalan massa dan muatan, ke dalam model untuk memastikan konsistensi prediksi. Branda juga mewajibkan model untuk menilai kelayakan langkah-langkah perantara sepanjang jalur reaksi dari reaktan ke produk, sehingga prediksi yang dihasilkan lebih realistis secara mekanistik. Dengan memasukkan kendala tersebut, akurasi prediktif FlowER meningkat signifikan pada berbagai himpunan data reaksi yang diuji. Pendekatan ini meniru cara kimiawan memikirkan reaksi—tidak hanya melihat input dan output, tetapi juga mekanisme, langkah perantara, dan evolusi reaksi dari waktu ke waktu. Bagi Coley, penting untuk memastikan bahwa model machine learning berlandaskan pemahaman mekanisme reaksi, sebagaimana cara berpikir seorang ahli kimia berpengalaman.

Mahasiswa, Otomasi Laboratorium, dan Pipeline Data

Mahasiswa di laboratorium Coley mengeksplorasi berbagai topik yang berkaitan dengan optimasi reaksi kimia dan desain molekul. Branda mengerjakan penentuan struktur berbantuan komputer, otomasi laboratorium dengan robotika, serta perancangan eksperimen optimal menggunakan desain statistik. Tim ini juga mengembangkan pipeline data yang menghubungkan hasil eksperimen dengan model machine learning, sehingga sistem dapat diperbarui secara berkelanjutan seiring bertambahnya data. Melalui kombinasi pendekatan ini, kelompok riset Coley berupaya mendorong batas terdepan artificial intelligence dalam kimia dan mempercepat penemuan obat molekul kecil, dari tahap desain hingga validasi.

Masa Depan Penemuan Obat: Lebih Cepat, Terarah, dan Berbasis Data

Artificial intelligence dalam penemuan obat molekul kecil membuka peluang baru untuk mempercepat proses yang sebelumnya sangat lambat dan mahal, terutama pada tahap penemuan awal. Dengan memadukan machine learning, kemoinformatika, dan intuisi kimia, Coley dan timnya menunjukkan bagaimana teknologi komputasional dapat mengubah cara ilmuwan merancang dan menemukan obat secara lebih sistematis. Upaya branda menggambarkan masa depan di mana penemuan obat menjadi lebih terarah, efisien, dan berbasis data, tanpa mengabaikan pemahaman mendalam tentang prinsip-prinsip kimia yang mendasarinya. Integrasi artificial intelligence dan sains eksperimental berpotensi mengurangi biaya, meningkatkan peluang keberhasilan klinis, dan mempercepat ketersediaan terapi baru bagi masyarakat—sebuah langkah penting menuju ekosistem kesehatan yang lebih tangguh dan responsif terhadap tantangan penyakit global.