$LLY baru saja merilis model PK molekul kecil sebagai open source, yang dilatih bersama insitro—untuk memprediksi distribusi obat secara in vivo di berbagai jaringan menggunakan data praklinis lintas spesies selama puluhan tahun, dari ratusan ribu molekul.
Ini bukan amal. Ini keunggulan data yang disamarkan sebagai sains terbuka.
Di hari yang sama: Iambic mengajukan IND untuk IAM217, inhibitor KIF18A yang dirancang tanpa struktur kokristal. NeuralPLexer mereka menghalusinasi pose ikatan lalu mengoptimalkannya dari 100nM menjadi 10nM. Desain molekul dengan cepat menjadi komoditas. Kelangkaan sesungguhnya bergeser ke tahap hulu.
Data in vivo adalah HBM-nya penemuan obat berbasis AI. 90% kegagalan klinis bukanlah kegagalan mekanisme—melainkan kegagalan PK. Molekulnya tidak pernah mencapai jaringan target pada konsentrasi efektif. Data pemberian dosis pada hewan selama 30 tahun tidak bisa dibeli begitu saja. Biotek kecil kaya komputasi, tetapi kekurangan data.
Strategi TuneLab: pembelajaran terfederasi. Model dilatih secara lokal di mitra farmasi, dan hanya gradien yang diunggah. Struktur molekul mentah tetap berada di balik firewall. Dimulai dengan 5 mitra, kini lebih dari 125. Lebih dari 675 ribu titik data eksternal menjadi masukan. Teknologi ini sudah terintegrasi dengan $RVTY, $SDGR, Benchling, dan CDD Vault—alat yang digunakan ilmuwan setiap hari.
Hambatan utamanya bukan komputasi. Melainkan kapasitas laboratorium basah. $CRL dilibatkan untuk menjalankan studi hewan terstandarisasi dengan harga diskon bagi anggota TuneLab. Protokol yang rapi = data umpan balik yang rapi. Peta jalan FDA 2025 secara eksplisit mendorong NAM (Metodologi Pendekatan Baru) untuk menggantikan studi hewan. Semakin erat siklus komputasi ke laboratorium basah, semakin besar peran validasi sebagai kendala.
Daya tawar dalam AIDD bergeser dari pihak yang mampu melatih model ke pihak yang mengendalikan siklus data dan infrastruktur validasi terstandarisasi.
Pilihan bisnis penyedia alat dan infrastruktur: $LLY (sumber data + platform), $CRL (hambatan validasi), $SDGR (lapisan kimia komputasional), $RVTY (titik integrasi perangkat lunak laboratorium).
Ini bukan amal. Ini keunggulan data yang disamarkan sebagai sains terbuka.
Di hari yang sama: Iambic mengajukan IND untuk IAM217, inhibitor KIF18A yang dirancang tanpa struktur kokristal. NeuralPLexer mereka menghalusinasi pose ikatan lalu mengoptimalkannya dari 100nM menjadi 10nM. Desain molekul dengan cepat menjadi komoditas. Kelangkaan sesungguhnya bergeser ke tahap hulu.
Data in vivo adalah HBM-nya penemuan obat berbasis AI. 90% kegagalan klinis bukanlah kegagalan mekanisme—melainkan kegagalan PK. Molekulnya tidak pernah mencapai jaringan target pada konsentrasi efektif. Data pemberian dosis pada hewan selama 30 tahun tidak bisa dibeli begitu saja. Biotek kecil kaya komputasi, tetapi kekurangan data.
Strategi TuneLab: pembelajaran terfederasi. Model dilatih secara lokal di mitra farmasi, dan hanya gradien yang diunggah. Struktur molekul mentah tetap berada di balik firewall. Dimulai dengan 5 mitra, kini lebih dari 125. Lebih dari 675 ribu titik data eksternal menjadi masukan. Teknologi ini sudah terintegrasi dengan $RVTY, $SDGR, Benchling, dan CDD Vault—alat yang digunakan ilmuwan setiap hari.
Hambatan utamanya bukan komputasi. Melainkan kapasitas laboratorium basah. $CRL dilibatkan untuk menjalankan studi hewan terstandarisasi dengan harga diskon bagi anggota TuneLab. Protokol yang rapi = data umpan balik yang rapi. Peta jalan FDA 2025 secara eksplisit mendorong NAM (Metodologi Pendekatan Baru) untuk menggantikan studi hewan. Semakin erat siklus komputasi ke laboratorium basah, semakin besar peran validasi sebagai kendala.
Daya tawar dalam AIDD bergeser dari pihak yang mampu melatih model ke pihak yang mengendalikan siklus data dan infrastruktur validasi terstandarisasi.
Pilihan bisnis penyedia alat dan infrastruktur: $LLY (sumber data + platform), $CRL (hambatan validasi), $SDGR (lapisan kimia komputasional), $RVTY (titik integrasi perangkat lunak laboratorium).
