HIVE Vivodyne Ingin Menutup Kekosongan Data Manusia dalam Penemuan Obat Berbasis AI

Vivodyne menilai persoalan utama dalam penemuan obat berbasis AI bukan semata-mata kemampuan model, melainkan kualitas data yang digunakan untuk melatihnya. AI memang dapat menghasilkan target biologis, molekul, dan ide eksperimen dengan cepat. Namun, prediksinya tetap terbatas jika sebagian besar data berasal dari hewan, sel yang diisolasi, protein, atau pengamatan yang tidak menggambarkan respons jaringan manusia secara utuh.

CEO Vivodyne, Andrei Georgescu, berpendapat obat yang dirancang AI saat ini belum secara berarti lebih baik daripada obat yang dirancang manusia. Menurutnya, salah satu penyebabnya adalah belum tersedianya cukup data laboratorium yang relevan dengan tubuh manusia untuk dipelajari model AI. 25

Jawaban yang ditawarkan Vivodyne adalah HIVE, platform laboratorium otonom modular yang dirancang untuk menumbuhkan, memberi perlakuan, memantau, dan menganalisis jaringan manusia dalam skala besar.

Masalah utamanya: korelasi belum tentu menunjukkan sebab-akibat

Model penemuan obat dapat menemukan hubungan antara ciri biologis tertentu dan hasil suatu penyakit. Namun, hubungan itu belum tentu menjelaskan apa yang terjadi ketika sebuah obat mengubah sistem biologis—pada dosis tertentu dan dalam konteks jaringan tertentu.

Karena itu, Vivodyne berfokus pada perturbasi, yakni mengubah suatu kondisi secara sengaja lalu mengukur respons jaringan. Dalam kerangka perusahaan, eksperimen seperti ini dapat menghasilkan hubungan yang lebih berguna untuk pengembangan obat: jika terapi X diberikan pada dosis Y, jaringan Z berubah dengan cara yang dapat diukur. Platform Vivodyne menyebut pendekatan tersebut sebagai cara menghasilkan data kausalitas sel melalui eksperimen terkontrol pada jaringan manusia. 2

Perbedaan ini penting karena model yang dilatih menggunakan data biologi yang tidak lengkap atau tidak sesuai dapat menghasilkan prediksi yang sangat meyakinkan, tetapi gagal ketika diterapkan pada pasien. Argumen Vivodyne bukan berarti model yang lebih besar tidak berguna. Namun, memperbesar model tanpa meningkatkan mutu dan relevansi data eksperimen manusia kemungkinan hanya akan memberikan hasil yang terbatas. 1725

Bagaimana HIVE bekerja?

HIVE menggabungkan robotika, mikrofluida, rekayasa jaringan, pemberian dosis otomatis, serta berbagai metode pembacaan biologis. Vivodyne mengatakan sistemnya dapat membudidayakan 20 jenis jaringan manusia, kemudian memberikan obat atau perlakuan lain dan melacak perubahan yang terjadi dari waktu ke waktu. 117

Platform ini menggunakan TissueDisk, perangkat yang menurut Vivodyne memungkinkan ratusan jaringan manusia independen ditumbuhkan dan diberi dosis secara paralel. Setiap model jaringan disebut mengandung sekitar 200.000 hingga 500.000 sel. Beberapa model juga dapat memiliki jaringan pembuluh darah tiga dimensi yang spesifik terhadap jaringan dan dialiri cairan, sehingga penghantaran terapi lebih menyerupai kondisi fisiologis. 24

Alur kerjanya dirancang berulang dan terukur:

1. Menumbuhkan model jaringan manusia yang terstandardisasi.
2. Memberikan obat, dosis tertentu, perubahan genetik, atau kombinasi intervensi.
3. Mengukur respons molekuler, seluler, dan fungsional.
4. Memasukkan hasilnya ke dalam analisis dan perancangan eksperimen berikutnya.

Dengan cara ini, laboratorium diperlakukan sebagai sistem produksi data, bukan sekadar kumpulan uji terpisah. Hasilnya tidak hanya menjawab apakah jaringan bertahan hidup. Eksperimen juga dapat menunjukkan bagaimana jaringan berubah, kapan perubahan terjadi, sel mana yang terdampak, serta bagaimana dosis atau kombinasi terapi yang berbeda memengaruhi hasil.

Mengapa riset pada hewan dan sel bisa meleset?

Model hewan tetap berguna untuk mempelajari efek pada tubuh secara menyeluruh. Namun, mekanisme biologis yang bekerja pada hewan belum tentu bekerja dengan cara yang sama pada manusia. Perbedaan antarspesies dapat memengaruhi metabolisme obat, toksisitas, respons imun, mekanisme penyakit, dan interaksi antarjaringan.

Uji pada sel tunggal dan protein juga memberikan detail penting, tetapi biasanya menghilangkan sebagian besar struktur multiseluler serta konteks fisiologis yang membentuk efek obat.

Ketidakcocokan tersebut membantu menjelaskan mengapa kandidat obat yang menjanjikan dalam tahap praklinis masih dapat gagal saat dikembangkan pada manusia. Vivodyne ingin menambahkan bukti dari jaringan manusia lebih awal dalam proses pengembangan, agar sebagian masalah keamanan dan efektivitas dapat diketahui sebelum kandidat masuk ke uji klinis yang mahal. 113

Namun, jaringan yang ditumbuhkan di laboratorium bukanlah tubuh manusia yang lengkap. Model tersebut mungkin belum sepenuhnya mereproduksi farmakokinetika seluruh tubuh, sinyal antarorgan, efek imun jangka panjang, variasi antar pasien, atau semua karakteristik suatu penyakit. Karena itu, teknologi seperti HIVE lebih tepat dipandang sebagai jembatan antara uji laboratorium yang sederhana dan riset klinis—bukan pengganti uji klinis.

Bukti apa yang telah dilaporkan Vivodyne?

Vivodyne melaporkan hasil pengujian 20 obat kemoterapi terhadap beberapa model jaringan. Perusahaan menyebut model hatinya memprediksi toksisitas obat pada manusia dengan akurasi 94%, model saluran napasnya memiliki kecocokan 96% dengan perilaku jaringan manusia, dan model sumsum tulangnya mencapai kesesuaian 100% dalam rangkaian pengujian tersebut. 17

Angka-angka itu berpotensi penting, tetapi perlu dibaca secara hati-hati. Materi yang tersedia mengidentifikasinya sebagai klaim kinerja yang dilaporkan perusahaan. Data tersebut belum membuktikan adanya validasi besar yang direplikasi secara independen dan ditinjau sejawat di berbagai kelas obat. Data itu juga belum menunjukkan bahwa prediksi HIVE meningkatkan tingkat keberhasilan persetujuan obat dalam perbandingan prospektif dengan program praklinis konvensional.

Vivodyne juga mengumumkan fasilitas yang terdiri atas 12 laboratorium HIVE dengan kapasitas tahunan 3,1 juta eksperimen terkontrol pada jaringan manusia hidup. Kapasitas tersebut merupakan klaim mengenai skala operasional platform, bukan bukti dengan sendirinya bahwa semua eksperimen yang dihasilkan mampu memprediksi hasil klinis. 37

Pendanaan dan dukungan komersial

Pada 2023, Vivodyne mengumumkan total pendanaan awal sebesar 38 juta dolar AS yang dipimpin Khosla Ventures, dengan partisipasi Kairos Ventures, CS Ventures, MBX Capital, dan Bison Ventures. 9 Setelah itu, Vivodyne mempublikasikan putaran pendanaan sebesar 40 juta dolar AS untuk memperluas infrastruktur pengujian jaringan manusia yang digerakkan robotika dan AI. 7

Pendanaan tersebut mendukung strategi yang menempatkan biologi eksperimental sebagai infrastruktur bagi AI: menghasilkan kumpulan data yang besar dan terstandardisasi terlebih dahulu, lalu menggunakannya untuk memperbaiki prediksi terapi dan menentukan eksperimen berikutnya.

Apa dampaknya terhadap uji klinis?

Jika terbukti akurat melalui studi prospektif yang dilakukan secara independen, platform ini berpotensi memengaruhi pengembangan obat dalam tiga hal utama.

Mendeteksi kegagalan lebih awal

Kandidat dengan efektivitas rendah atau toksisitas yang tidak dapat diterima dapat dihentikan lebih cepat, sebelum diberikan kepada pasien. Langkah ini tentu tidak akan menghapus semua kegagalan uji klinis, tetapi berpotensi mengurangi jumlah kandidat yang masuk uji dengan dukungan biologis yang lemah.

Memilih kandidat dan dosis dengan lebih baik

Pengujian pada berbagai dosis dan konteks jaringan dapat membantu peneliti menentukan kandidat mana yang layak dilanjutkan dan rentang dosis mana yang patut diteliti dalam uji klinis. Vivodyne memosisikan platform data manusia ini untuk digunakan mulai dari penemuan obat, studi ADME/toksisitas—yakni penyerapan, distribusi, metabolisme, dan ekskresi—hingga perancangan uji klinis. 13

Membuat model AI lebih informatif

Eksperimen berulang yang menghubungkan intervensi dengan respons dapat memberi model AI data pelatihan yang mengaitkan suatu terapi dengan hasil biologis pada tingkat jaringan. Dalam jangka panjang, Vivodyne berharap pendekatan ini membantu membangun model komputasi yang lebih luas, atau “world model”, mengenai biologi manusia. 8

Akan tetapi, hasil tersebut bergantung pada mutu, keterulangan, keragaman, dan validasi eksternal datanya. Lebih banyak eksperimen tidak otomatis berarti lebih baik jika model jaringan tidak mewakili populasi pasien yang relevan atau jika hasil pengukurannya tidak mampu memprediksi apa yang terjadi pada manusia.

Mengapa terapi kombinasi menjadi ujian penting?

Terapi kombinasi mengharuskan peneliti mengeksplorasi lebih dari satu variabel sekaligus: pasangan obat, dosis, urutan pemberian, waktu pemberian, dan konteks jaringan. Platform jaringan manusia berpotensi membuat pengujian kombinasi secara sistematis menjadi lebih praktis—termasuk mencari efek sinergis sekaligus menyaring toksisitas sebelum pasien terpapar.

Pendekatan ini dapat berguna untuk penyakit yang jalur biologinya kompleks dan tidak cukup ditangani oleh satu obat. Namun, batasannya tetap sama. Eksperimen jaringan dapat memperlihatkan interaksi dalam biologi yang dimodelkan, sedangkan hasil klinis juga dipengaruhi oleh penyerapan, distribusi, metabolisme, efek imun, interaksi antarorgan, dan perbedaan biologis antar pasien.

Kesimpulan

Vivodyne bertaruh bahwa kemajuan berikutnya dalam penemuan obat berbasis AI akan datang dari landasan eksperimen yang lebih baik, bukan hanya algoritma yang lebih besar. HIVE dirancang untuk menyediakan landasan tersebut dengan menjalankan eksperimen terkontrol dalam jumlah besar pada 20 jenis jaringan manusia hasil kultur, lalu mengubah hasilnya menjadi data biologis terstruktur. 117

Pendekatan ini menyasar kelemahan nyata dalam penerjemahan hasil praklinis ke manusia: model yang dilatih atau diuji pada sistem sederhana belum tentu dapat memprediksi secara andal apa yang terjadi pada pasien. Angka kinerja awal dan skala operasi yang diklaim Vivodyne menarik perhatian, tetapi sejauh ini masih berupa bukti yang dilaporkan perusahaan.

Ujian penentunya adalah apakah prediksi HIVE dapat divalidasi secara independen, membantu memilih kandidat obat dengan lebih baik, mengurangi kegagalan klinis, dan menghasilkan model AI yang dapat bekerja di luar jaringan serta obat yang digunakan untuk melatihnya.