Target TNIK ditemukan AI, molekulnya dihasilkan AI, dan kini diuji pada 320 pasien. Berikut penjelasan detail mekanisme, data klinis, keunggulan, dan keterbatasannya.
Idiopathic Pulmonary Fibrosis (IPF) adalah penyakit paru kronis progresif yang menyebabkan jaringan paru mengeras dan fungsi pernapasan menurun secara irreversible. Hingga kini, terapi standar seperti nintedanib dan pirfenidone hanya mampu memperlambat penurunan fungsi paru, bukan menghentikan atau membalikkannya. Pada September 2026, Insilico Medicine mengumumkan bahwa Rentosertib (ISM001-055 / INS018_055)—obat small-molecule pertama yang targetnya ditemukan AI dan strukturnya dirancang sepenuhnya oleh generative AI—telah memasuki uji klinis fase 3. Ini menjadi tonggak penting yang perlu dipahami secara mendalam, bukan sekadar sebagai “keberhasilan AI”.
Apa Itu Rentosertib dan Bagaimana AI Merancangnya?
Rentosertib adalah inhibitor selektif TNIK (TRAF2- and NCK-interacting kinase), sebuah serine/threonine kinase. TNIK berperan sebagai regulator pusat jalur fibrotic dan inflamasi, termasuk TGF-β, Wnt, Hippo/YAP-TAZ, JNK, dan NF-κB. Aktivasi TNIK mendorong transisi fibroblas menjadi miofibroblas, deposisi matriks ekstraseluler, dan peradangan yang memperburuk fibrosis paru.
Proses penemuan berlangsung melalui platform Pharma.AI milik Insilico:
- Target discovery (PandaOmics)
AI menganalisis data multi-omics dari jaringan fibrotic dan skor aging hallmarks. TNIK muncul sebagai target prioritas tinggi karena terlibat dalam enam hallmark of aging sekaligus relevan dengan patologi IPF. Target ini sebelumnya jarang dieksplorasi untuk fibrosis paru. - Generative chemistry (Chemistry42)
Platform ini menggunakan ensemble lebih dari 40 model generatif (termasuk GAN, autoencoder, flow-based, dan reinforcement learning) untuk menghasilkan struktur molekul baru dari awal (de novo). Molekul dioptimasi secara multi-parameter untuk afinitas terhadap TNIK, selektivitas, sifat drug-like, dan aksesibilitas sintetis. Hasilnya adalah Rentosertib, struktur yang tidak ditemukan dalam library senyawa konvensional. - Validasi preklinis dan klinis awal
Dari identifikasi target hingga fase 1, proses memakan waktu kurang dari 30 bulan—jauh lebih cepat dibandingkan rata-rata industri 4–6 tahun.
Dengan demikian, Rentosertib bukan sekadar “obat yang dibantu AI”, melainkan kandidat yang target biologisnya dan struktur kimianya keduanya dihasilkan sistem generative AI.
Data Klinis Fase 2a: Apa yang Sebenarnya Ditunjukkan?
Uji fase 2a (GENESIS-IPF, NCT05938920) dilakukan di Cina pada 71 pasien IPF. Desainnya double-blind, placebo-controlled, acak, selama 12 minggu dengan empat lengan: placebo, Rentosertib 30 mg sekali sehari (QD), 30 mg dua kali sehari (BID), dan 60 mg QD.
Hasil utama:
- Primary endpoint (keamanan) terpenuhi. Angka treatment-emergent adverse events (TEAE) sebanding antar kelompok. Kejadian serius terkait pengobatan rendah.
- Pada dosis 60 mg QD, mean perubahan Forced Vital Capacity (FVC) mencapai +98,4 mL (95% CI 10,9–185,9) dari baseline. Kelompok placebo mengalami penurunan −20,3 mL (95% CI −116,1 hingga 75,6).
- Dosis lebih rendah menunjukkan hasil campuran: 30 mg QD masih menurun (−27,0 mL), sementara 30 mg BID sedikit meningkat (+19,7 mL).
- Pasien yang menerima 60 mg QD tanpa terapi antifibrotik standar menunjukkan peningkatan FVC lebih besar (+187,8 mL).
Analisis proteomik serum menemukan penurunan biomarker fibrosis (termasuk collagen 1A1, fibronectin, MMP-10) yang berkorelasi dengan perbaikan FVC. Studi lanjutan tahun 2026 bahkan melaporkan potensi efek senomorphic (anti-aging) berdasarkan enam proteomic aging clocks.
Data ini memberikan proof-of-concept klinis pertama untuk obat yang sepenuhnya dihasilkan generative AI. Namun perlu dicatat: uji hanya 12 minggu dan melibatkan 71 pasien. Efek jangka panjang dan kemampuan mencegah eksaserbasi akut masih harus dibuktikan di fase 3.
Desain Fase 3 yang Sedang Berjalan
Uji fase 3 (NCT07687459) bersifat prospektif, acak, double-blind, placebo-controlled, parallel-group. Target rekrutmen 320 pasien IPF di 47 pusat di Cina. Durasi pengobatan 52 minggu dengan dosis sekali sehari. Primary endpoint adalah laju penurunan FVC tahunan. Secondary endpoint mencakup waktu hingga kejadian progresi penyakit. First patient dosed pada September 2026. Hasil utama diperkirakan tidak sebelum akhir 2029.
Plus: Keunggulan Pendekatan Generative AI
- Kecepatan dan efisiensi biaya
Tahap discovery hingga kandidat klinis dipercepat secara signifikan. Biaya preklinis dilaporkan jauh lebih rendah dibanding metode tradisional. - Eksplorasi chemical space yang lebih luas
Generative model mampu menghasilkan struktur novel di luar library yang sudah ada, membuka peluang first-in-class. - Integrasi multi-omics dan aging biology
Target seperti TNIK dipilih karena relevan dengan fibrosis dan proses penuaan, membuka potensi indikasi dual (IPF dan aspek aging). - Bukti klinis awal yang menjanjikan
Peningkatan FVC pada dosis tertinggi jarang terlihat pada uji IPF jangka pendek. Ini memberi sinyal bahwa mekanisme baru berpotensi disease-modifying.
Minus dan Tantangan yang Masih Nyata
- Belum ada obat AI yang disetujui
Hingga September 2026, belum ada satu pun obat yang ditemukan atau dirancang AI yang memperoleh marketing authorization dari FDA atau EMA. Tingkat keberhasilan fase 1 AI-discovered molecules tinggi (80–90%), tetapi attrition di fase 2 masih mengikuti pola industri konvensional. - Data klinis masih terbatas
Fase 2a hanya 12 minggu dan populasi relatif homogen (semua pasien Asia). Generalisasi ke populasi global, termasuk Indonesia, belum teruji. - Black-box dan interpretabilitas
Model generatif sering sulit dijelaskan secara mekanistik. Regulator dan klinisi membutuhkan pemahaman yang lebih transparan tentang mengapa molekul tertentu dipilih. - Synthesizability dan validasi wet-lab
Tidak semua struktur yang dihasilkan AI mudah disintesis atau stabil secara farmasi. Validasi eksperimental tetap menjadi bottleneck. - Risiko overclaim
Peningkatan FVC +98,4 mL menggembirakan, tetapi masih berada dalam rentang yang perlu dikonfirmasi pada populasi lebih besar dan durasi lebih panjang. Efek samping hati dan gastrointestinal tetap muncul, meskipun frekuensinya sebanding dengan placebo. - Ketergantungan data berkualitas
Kualitas output AI sangat bergantung pada kualitas dan representativitas data training. Bias data multi-omics dapat menghasilkan target yang kurang relevan untuk populasi tertentu.
Implikasi bagi Dunia Kesehatan dan Indonesia
Rentosertib membuktikan bahwa generative AI mampu menghasilkan kandidat obat novel dengan data klinis awal yang kredibel. Namun, perjalanan dari fase 3 hingga persetujuan masih panjang dan penuh ketidakpastian. Bagi Indonesia, perkembangan ini relevan dalam dua aspek: (1) peluang partisipasi dalam uji klinis global di masa depan jika indikasi diperluas, dan (2) pembelajaran tentang bagaimana data multi-omics lokal dapat dimanfaatkan untuk menemukan target yang lebih relevan dengan populasi Asia Tenggara.
Bagi praktisi dan peneliti di Indonesia, pesan utamanya adalah kehati-hatian ilmiah. Rentosertib adalah bukti konsep yang kuat, bukan jaminan keberhasilan. Evaluasi harus tetap berbasis data primer, desain uji yang ketat, dan pemahaman mendalam terhadap mekanisme biologis—bukan sekadar narasi “AI berhasil menemukan obat”.
Hasil fase 3 akan menjadi ujian sesungguhnya. Jika berhasil, ia akan mengubah cara industri memandang generative AI. Jika gagal, ia tetap akan menjadi pelajaran berharga tentang batas dan potensi teknologi ini.
