Bayangin sebuah industri yang tiap tahunnya butuh biaya lebih mahal cuma untuk menghasilkan obat baru. Itulah yang terjadi di dunia farmasi sejak lama. Eroom’s Law bilang biaya pengembangan obat kira-kira dua kali lipat setiap sembilan tahun sejak 1950-an. Saat ini rata-rata butuh 10 sampai 15 tahun dan dana yang sangat besar untuk membawa satu obat ke pasaran.
Tekanan semakin berat karena pasar sekarang lebih mengutamakan first-mover advantage. Perusahaan yang lebih dulu meluncurkan obat inovatif biasanya langsung menguasai pangsa pasar. Di tengah kondisi seperti ini, kecerdasan buatan muncul sebagai harapan untuk mempercepat proses penemuan obat.
Salah satu tantangan terbesar adalah bagaimana data yang dihasilkan selama proses riset bisa kembali digunakan untuk memperbaiki model AI berikutnya. Banyak proyek AI drug discovery masih berjalan satu arah: data dikumpulkan, model dilatih, lalu hasilnya dipakai untuk eksperimen. Padahal kalau loop data ini ditutup dengan baik, setiap siklus bisa jadi lebih pintar dari sebelumnya.
Beberapa perusahaan mulai mencoba pendekatan yang lebih terintegrasi. Mereka menggabungkan data dari laboratorium, uji klinis, bahkan data pasien di dunia nyata untuk melatih ulang model AI secara berkala. Hasilnya, prediksi molekul yang potensial menjadi obat bisa semakin akurat dan mengurangi jumlah eksperimen yang gagal.
Dari sisi dampak, penutupan loop data ini bisa membantu perusahaan kecil dan menengah bersaing dengan raksasa farmasi. Selama ini hanya perusahaan besar yang mampu menanggung biaya riset tinggi. Kalau prosesnya jadi lebih efisien berkat AI yang terus belajar dari data sendiri, peluang inovasi dari startup atau institusi riset bisa terbuka lebih lebar.
Selain itu, pendekatan ini juga berpotensi mempercepat respons terhadap penyakit yang muncul tiba-tiba. Ketika data dari berbagai sumber bisa langsung masuk ke dalam sistem, model AI bisa menyesuaikan prediksi dengan lebih cepat tanpa harus menunggu siklus riset tradisional yang panjang.
Tentu saja ada tantangan teknis yang harus diselesaikan. Kualitas data harus dijaga, privasi pasien perlu dilindungi, dan integrasi antar platform masih rumit. Tapi arahnya sudah jelas: masa depan penemuan obat akan sangat bergantung pada seberapa baik kita bisa membuat data terus berputar dan memberikan nilai tambah di setiap putarannya.
Pada akhirnya, menutup lingkaran data bukan cuma soal teknologi. Ini juga soal bagaimana industri farmasi mengubah cara kerjanya agar lebih adaptif dan responsif terhadap kebutuhan kesehatan masyarakat.
