AI Mengatasi Masalah Kekurangan Tenaga Kerja dalam Penanganan Penyakit Langka

DOHA, (6 Februari 2026)

Industri biotech modern kini memiliki perangkat untuk mengedit gen dan merancang obat, namun ribuan penyakit langka masih belum mendapatkan penanganan. Mengutip laporan dari TechCrunch yang ditulis Rebecca Bellan, para eksekutif dari Insilico Medicine dan GenEditBio menyatakan bahwa selama bertahun-tahun, kendala utamanya adalah kekurangan talenta cerdas untuk melanjutkan penelitian. Mereka menyebutkan, AI kini menjadi 'force multiplier' yang memungkinkan para ilmuwan untuk mengatasi masalah yang telah lama diabaikan oleh industri.

Berbicara di Web Summit Qatar pekan ini, CEO dan pendiri Insilico Medicine, Alex Aliper, memaparkan tujuan perusahaannya untuk mengembangkan “pharmaceutical superintelligence”. Insilico baru-baru ini meluncurkan “MMAI Gym” yang bertujuan untuk melatih Large Language Models (LLM) generalis, seperti ChatGPT dan Gemini, agar mampu berkinerja sebaik model spesialis.

Tujuannya adalah membangun model multi-modal dan multi-task yang, menurut Aliper, dapat menyelesaikan berbagai tugas penemuan obat secara simultan dengan akurasi superhuman.

"Kami benar-benar membutuhkan teknologi ini untuk meningkatkan produktivitas industri farmasi dan mengatasi kekurangan tenaga kerja serta talenta di bidang tersebut, karena masih ada ribuan penyakit tanpa obat, tanpa pilihan pengobatan, dan ada ribuan kelainan langka yang terabaikan," kata Aliper dalam wawancara dengan TechCrunch. "Jadi kami membutuhkan sistem yang lebih cerdas untuk mengatasi masalah tersebut."

Platform Insilico menyerap data biologis, kimia, dan klinis untuk menghasilkan hipotesis tentang target penyakit dan molekul kandidat. Dengan mengotomatiskan langkah-langkah yang dulunya membutuhkan banyak ahli kimia dan biologi, Insilico mengklaim dapat menyaring ruang desain yang luas, menominasikan kandidat terapeutik berkualitas tinggi, bahkan mengubah fungsi obat yang sudah ada—semuanya dengan biaya dan waktu yang jauh lebih singkat.

Sebagai contoh, perusahaan baru-baru ini menggunakan model AI-nya untuk mengidentifikasi apakah obat yang sudah ada dapat digunakan kembali untuk mengobati ALS, kelainan neurologis langka.

Namun, hambatan tenaga kerja tidak berakhir pada penemuan obat. Bahkan ketika AI dapat mengidentifikasi target atau terapi yang menjanjikan, banyak penyakit memerlukan intervensi pada tingkat biologis yang lebih fundamental.

GenEditBio adalah bagian dari “gelombang kedua” pengeditan gen CRISPR, di mana prosesnya bergeser dari pengeditan sel di luar tubuh (ex vivo), menuju pengiriman yang tepat di dalam tubuh (in vivo). Tujuan perusahaan adalah menjadikan pengeditan gen sebagai suntikan "one-and-done" langsung ke jaringan yang terkena.

"Kami telah mengembangkan ePDV atau engineered protein delivery vehicle yang dipatenkan, dan itu adalah partikel mirip virus," kata co-founder dan CEO GenEditBio, Tian Zhu, kepada TechCrunch. "Kami belajar dari alam dan menggunakan metode AI Machine Learning untuk menambang sumber daya alam serta menemukan jenis virus mana yang memiliki afinitas terhadap jenis jaringan tertentu."

'Sumber daya alam' yang dimaksud Zhu adalah pustaka besar GenEditBio yang berisi ribuan nanopartikel polimer non-viral dan non-lipid yang unik – pada dasarnya adalah kendaraan pengiriman yang dirancang untuk mengangkut alat pengeditan gen dengan aman ke dalam sel-sel tertentu.

Perusahaan menyatakan platform NanoGalaxy-nya menggunakan AI untuk menganalisis data dan mengidentifikasi bagaimana struktur kimia berkorelasi dengan target jaringan spesifik (seperti mata, hati, atau sistem saraf). AI kemudian memprediksi modifikasi apa pada kimia kendaraan pengiriman yang akan membantunya membawa muatan tanpa memicu respons imun.

GenEditBio menguji ePDV-nya secara in vivo di lab basah, dan hasilnya dimasukkan kembali ke dalam AI untuk menyempurnakan akurasi prediksinya untuk putaran berikutnya.

Pengiriman yang efisien dan spesifik jaringan adalah prasyarat untuk pengeditan gen in vivo, kata Zhu. Dia berpendapat bahwa pendekatan perusahaannya mengurangi biaya produksi dan menstandardisasi proses yang secara historis sulit diskalakan.

"Ini seperti mendapatkan obat 'off-the-shelf' yang berfungsi untuk berbagai pasien, yang membuat obat-obatan lebih terjangkau dan dapat diakses oleh pasien secara global," ujar Zhu.

Perusahaannya baru-baru ini menerima persetujuan FDA untuk memulai uji coba terapi CRISPR untuk distrofi kornea.

Memerangi Masalah Data yang Berkelanjutan

Seperti banyak sistem berbasis AI lainnya, kemajuan di biotech pada akhirnya menghadapi masalah data. Pemodelan kasus-kasus ekstrem biologi manusia membutuhkan data berkualitas tinggi yang jauh lebih banyak daripada yang bisa didapatkan peneliti saat ini.

"Kami masih membutuhkan lebih banyak ground truth data yang berasal dari pasien," kata Aliper. "Kumpulan data sangat bias terhadap dunia barat, tempat data tersebut dihasilkan. Saya pikir kita perlu melakukan lebih banyak upaya secara lokal, untuk memiliki set data asli atau ground truth data yang lebih seimbang, sehingga model kami juga akan lebih mampu menanganinya."

Aliper mengatakan lab otomatis Insilico menghasilkan data biologis multi-lapis dari sampel penyakit dalam skala besar, tanpa intervensi manusia, yang kemudian dimasukkan ke dalam platform penemuan berbasis AI mereka.

Zhu mengatakan data yang dibutuhkan AI sudah ada dalam tubuh manusia, terbentuk oleh ribuan tahun evolusi. Hanya sebagian kecil DNA yang secara langsung "mengodekan" protein, sementara sisanya lebih bertindak seperti manual instruksi tentang bagaimana gen berperilaku. Informasi tersebut secara historis sulit ditafsirkan oleh manusia, tetapi semakin mudah diakses oleh model AI, termasuk upaya terbaru seperti AlphaGenome dari Google DeepMind.

GenEditBio menerapkan pendekatan serupa di laboratorium, menguji ribuan nanopartikel pengiriman secara paralel daripada satu per satu. Set data yang dihasilkan, yang disebut Zhu sebagai "emas untuk sistem AI", digunakan untuk melatih modelnya dan, semakin banyak, untuk mendukung kolaborasi dengan mitra eksternal.

Salah satu upaya besar berikutnya, menurut Aliper, adalah membangun digital twins manusia untuk menjalankan uji klinis virtual, sebuah proses yang ia katakan "masih dalam tahap awal".

"Kami berada pada plateau sekitar 50 obat yang disetujui FDA setiap tahun, dan kami perlu melihat pertumbuhan," kata Aliper. "Ada peningkatan gangguan kronis karena populasi global menua […]. Harapan saya adalah dalam 10 hingga 20 tahun, kita akan memiliki lebih banyak pilihan terapi untuk perawatan pasien yang dipersonalisasi."

Dampak bagi Indonesia

Penggunaan AI dalam penemuan obat dan terapi gen untuk penyakit langka membawa potensi besar bagi Indonesia. Pertama, pendekatan ini dapat secara signifikan mengurangi biaya pengembangan dan produksi obat, yang pada gilirannya dapat membuat perawatan untuk penyakit langka lebih terjangkau dan mudah diakses oleh masyarakat Indonesia. Konsep "off-the-shelf drug" yang lebih terstandardisasi berpotensi memperluas jangkauan perawatan secara global, termasuk di pasar Indonesia.

Kedua, inovasi ini dapat mendorong investasi dan pengembangan ekosistem biotech lokal di Indonesia, menciptakan peluang untuk riset dan pengembangan AI di bidang medis. Ini juga akan meningkatkan permintaan akan talenta di bidang Bioinformatika, Machine Learning, dan Rekayasa Genetik.

Namun, tantangan data yang disebutkan oleh Alex Aliper sangat relevan. Kumpulan data biologis yang bias terhadap populasi Barat menyoroti kebutuhan mendesak bagi Indonesia untuk mengintensifkan upaya pengumpulan data genetik dan klinis yang beragam dari populasinya sendiri. Data lokal yang seimbang dan berkualitas tinggi akan memastikan model AI yang dikembangkan atau digunakan di Indonesia lebih efektif, akurat, dan relevan secara lokal, menghindari kesenjangan dalam diagnosis dan pengobatan.

---

Artikel ini akan diperbarui seiring tersedianya informasi baru. Join Komunitas Rekayasa AI di Discord untuk diskusi lebih lanjut.