Penelitian biologi dengan kecerdasan buatan: aplikasi nyata dan tantangannya

Informatec Digital » Sumber daya » Penelitian biologi dengan kecerdasan buatan: aplikasi nyata dan tantangannya

Penelitian biologi dan kecerdasan buatan telah saling mengamati dengan waspada selama beberapa dekade, tetapi dalam beberapa tahun terakhir keduanya telah menjadi mitra yang sangat diperlukan. Apa yang dulunya hanya dilakukan dengan mikroskop, pipet, dan buku catatan, kini bergantung pada algoritma yang mampu menganalisis jutaan titik data, memprediksi struktur molekuler yang mustahil dipecahkan secara manual, dan menyarankan eksperimen baru.

Tahap baru dalam ilmu pengetahuan ini menggabungkan biologi komputasional, ilmu data, model pembelajaran mendalam, dan platform terbuka untuk mengatasi berbagai masalah seperti asal usul kehidupan, diagnosis penyakit kompleks, pengobatan presisi, dan desain obat. Hasilnya adalah pergeseran paradigma: biologi sedang ditulis, secara harfiah, dalam kode.

Dari bioinformatika klasik hingga pembelajaran mendalam dalam biologi.

Selama ini, biologi dan AI telah berkembang dengan kecepatan yang sangat berbeda: biologi itu kompleks, penuh pengecualian dan konteks , sementara algoritma tradisional membutuhkan data yang bersih, homogen, dan terstruktur dengan baik agar dapat berfungsi dengan baik. Ketegangan ini telah menjadi salah satu hambatan utama bagi adopsi AI secara luas di laboratorium.

Namun, dalam biologi komputasional, AI bukanlah hal baru: metode pembelajaran mesin sudah diterapkan pada tahun 80-an untuk mengklasifikasikan sekuens protein dan DNA , dan jaringan saraf segera mulai digunakan untuk memprediksi struktur sekunder protein. Sejak itu, teknik-teknik ini telah menjadi bagian dari repertoar standar bioinformatika.

Saat membahas AI dalam biologi, penting untuk membedakan antara teknik pembelajaran mesin "klasik" dan pendekatan pembelajaran mendalam . Pembelajaran mesin terawasi dan tak terawasi telah berhasil digunakan untuk membangun pengklasifikasi (misalnya, membedakan sampel "kanker" / "non-kanker") atau untuk mengelompokkan gen dan sampel berdasarkan pola ekspresi, membantu menghasilkan hipotesis dan memprioritaskan target eksperimental.

Metodologi pembelajaran mendalam , khususnya jaringan saraf dalam (deep neural networks ), telah merevolusi bidang-bidang tertentu di mana jumlah data sangat besar dan sinyalnya sangat terstruktur, seperti analisis gambar mikroskopis atau histopatologi. Di sini, AI jauh melampaui kemampuan manusia dalam mendeteksi pola-pola halus dan berulang.

Tidak semua bidang biologi mendapat manfaat yang sama: bidang dengan jutaan sekuens yang tersimpan dengan baik, seperti basis data protein seperti UniProtKB , menawarkan lingkungan yang ideal untuk melatih model yang ampuh. Sebaliknya, repositori interaksi spesifik, yang jauh lebih kecil dan lebih heterogen, belum memungkinkan pembelajaran mendalam untuk memanfaatkan potensinya secara penuh.

Model bahasa untuk protein dan dorongan untuk biologi struktural

Salah satu perkembangan yang paling mengejutkan adalah adopsi model bahasa, yang terinspirasi oleh pemrosesan bahasa alami , untuk bekerja dengan sekuens protein. Sama seperti model teks yang mempelajari pola tata bahasa dan semantik, model yang dilatih pada jutaan sekuens asam amino dapat menangkap keteraturan yang mencerminkan struktur, fungsi, dan evolusi.

Dalam evaluasi internasional terkini terhadap metode prediksi fungsi protein, seperti latihan CAFA5, sebagian besar model terbaik didasarkan pada jenis representasi mendalam ini . Model-model tersebut dilatih pada basis data seperti UniProtKB, yang kaya akan sekuens, dan mampu melakukan generalisasi pada protein yang kurang terkarakterisasi untuk menyarankan kemungkinan fungsinya.

Kemajuan ini menambah dampak dari model seperti AlphaFold, yang membawa prediksi struktur tersier protein menggunakan AI ke garis depan. Bahkan, Hadiah Nobel Kimia baru-baru ini mengakui pengembangan protein buatan fungsional dan algoritma prediksi struktur sebagai tonggak ilmiah utama.

Namun, model-model ini juga menghadirkan tantangan: model-model tersebut merupakan "kotak hitam" yang sulit diinterpretasikan . Hal ini telah menyebabkan munculnya subbidang tersendiri, yaitu kecerdasan buatan yang dapat dijelaskan (XAI), yang berupaya mengungkap pola spesifik yang digunakan model dan mengapa model tersebut membuat keputusan tertentu—sesuatu yang sangat penting ketika bekerja dengan data biomedis.

Di luar struktur, penerapan model bahasa protein untuk memberi anotasi pada fungsi gen yang belum diketahui menjadi alat penting untuk memanfaatkan jutaan sekuens yang saat ini belum memiliki karakterisasi eksperimental.

AI untuk merekonstruksi asal usul kehidupan dan metabolisme primitif.

Gabungan biologi komputasional dan AI tidak hanya berfungsi untuk melihat ke masa depan, tetapi juga untuk memutar kembali jam evolusi dan menjelajahi masa lalu kehidupan yang jauh . Contoh yang mencolok adalah karya Institut untuk Biologi Sistem Integratif (I2SysBio), di mana strategi yang disebut " metabolisme generatif " telah digunakan untuk menelusuri kembali dari nenek moyang umum universal terakhir (LUCA) ke tahap-tahap awal kehidupan.

Genetika komparatif memungkinkan kita untuk memperkirakan usia nenek moyang bersama antar spesies : semakin mirip genomnya, semakin baru nenek moyang bersama terakhir mereka; semakin berbeda genomnya, semakin jauh ke masa lalu kita menelusurinya. Dengan akumulasi besar genom yang telah diurutkan, konsep LUCA—organisme leluhur dari mana semua makhluk hidup saat ini berasal—telah disempurnakan dan sekarang diperkirakan sekitar 4.200 miliar tahun yang lalu.

Tantangan utama, hingga saat ini, adalah menghubungkan kimia prebiotik Bumi purba dengan metabolisme LUCA yang sudah terorganisir . Baik pendekatan bottom-up (dari kimia sederhana ke biologi) maupun top-down (dari organisme masa kini ke belakang) belum berhasil menjembatani kesenjangan tersebut.

Pendekatan metabolisme generatif menggunakan algoritma yang menghasilkan jaringan metabolisme dari serangkaian aturan reaksi . Dengan bekerja mundur, pendekatan ini menyimpulkan gen dan enzim leluhur mana yang mungkin dimiliki LUCA dan reaksi mana yang masuk akal dalam lingkungan primitif tertentu, memperluas ruang metabolisme di luar jalur yang dikenal saat ini.

Dengan cara ini, AI berfungsi sebagai semacam "detektif molekuler" yang mampu merekonstruksi jalur metabolisme hipotetis , menghubungkan reaksi saat ini dengan serangkaian reaksi prabiotik yang masuk akal. Pendekatan ini, yang banyak digunakan dalam biologi sintetik dan rekayasa metabolisme, digunakan kembali di sini untuk mengatasi salah satu teka-teki besar: bagaimana metabolisme kompleks muncul dari kimia sederhana yang tidak terorganisir.

Ilmu data yang diterapkan pada biologi: dari laboratorium basah ke keyboard.

Penelitian biologi modern telah menjadi sangat digital. Saat ini, seorang ahli biologi yang ingin berada di garis depan perlu mengelola seluruh genom, gambar beresolusi tinggi, serta data klinis dan lingkungan , semuanya terintegrasi ke dalam alur kerja analitik yang semakin kompleks.

Dalam konteks ini, ilmu data yang diterapkan pada biologi telah menjadi profil yang sangat penting. Seorang peneliti yang mampu menggabungkan biologi, pemrograman, dan statistik dapat melangkah jauh lebih dari sekadar menafsirkan hasil: mereka merancang eksperimen berbasis data, membangun model prediktif, dan berkolaborasi erat dengan para insinyur dan ilmuwan komputer.

Dalam genomika, teknologi pengurutan generasi berikutnya (NGS) menghasilkan miliaran pembacaan per eksperimen, yang mustahil dikelola tanpa pembelajaran mesin yang kuat, teknik statistik, dan komputasi terdistribusi . Alat-alat ini memungkinkan perakitan genom, identifikasi varian yang terkait dengan penyakit, dan analisis profil ekspresi gen (RNA-seq) untuk menemukan gen mana yang diaktifkan atau dinonaktifkan dalam kondisi yang berbeda.

Biologi sistem, di sisi lain, mengandalkan ilmu data untuk merekonstruksi jaringan regulasi gen, interaksi protein-protein, dan jalur metabolisme . Tujuannya bukan lagi untuk mempelajari gen yang terisolasi, tetapi untuk memahami sel sebagai jaringan yang kompleks, menemukan "simpul" kunci, dan mensimulasikan bagaimana sistem akan berubah jika simpul-simpul ini dimanipulasi.

Bidang lain yang sedang berkembang adalah studi tentang mikrobioma dan metagenomik . Di sini, AI membantu mengklasifikasikan ribuan spesies mikroba dalam satu sampel, menghubungkan komposisi mikroba dengan diet, penyakit, atau pengobatan, dan memodelkan interaksi ekologis antara mikroba dan lingkungannya. Tanpa alat-alat ini, mikrobioma hanya akan menjadi daftar nama yang tak berujung; dengan AI, ia menjadi tambang emas biomarker dan target terapi baru.

Pembelajaran mendalam untuk pencitraan biologis dan kesehatan rahim

Mikroskopi modern menghasilkan gambar tiga dimensi dan temporal yang semakin kompleks . Menganalisis semua tangkapan ini secara manual akan tidak praktis, itulah sebabnya visi komputer dan pembelajaran mendalam telah menjadi alat penting dalam biologi sel dan kedokteran.

Algoritma terkini dapat menghitung dan mengklasifikasikan sel, melakukan segmentasi struktur, mendeteksi tumor dalam biopsi digital, dan melacak pergerakan sel secara real-time. Hal ini tidak hanya menghemat waktu staf laboratorium tetapi juga memberikan objektivitas dan reproduksibilitas pada analisis.

Di bidang kesehatan rahim, kombinasi biologi sistem dan kecerdasan buatan mengubah cara kita memahami patologi seperti endometriosis, sindrom Asherman, dan beberapa jenis infertilitas. Alih-alih hanya melihat satu penanda atau gambar terisolasi, data genomik, proteomik, histologis, dan klinis diintegrasikan untuk membangun model yang menggambarkan rahim sebagai sistem dinamis.

Berkat model-model ini, alat pengobatan personalisasi dapat dikembangkan untuk mengoptimalkan perawatan kesuburan , menyesuaikan protokol hormonal berdasarkan respons yang diharapkan dari setiap pasien, dan mendeteksi biomarker awal disfungsi rahim. Lembaga-lembaga seperti Yayasan Carlos Simón bekerja tepat pada pendekatan integratif semacam ini.

Proyek terbuka dan ekosistem AI kolaboratif di bidang ilmu hayati

Penerapan AI yang efektif dalam biologi tidak hanya bergantung pada ketersediaan model yang baik, tetapi juga pada pembangunan ekosistem terbuka di mana data, alat, dan sumber daya komputasi dapat diakses . Di sini, perangkat lunak bebas, komputasi awan akademis, dan kemitraan publik-swasta memainkan peran sentral.

Salah satu contohnya adalah kolaborasi antara Red Hat Research dan Mass Open Cloud Alliance (MOC-A) , yang mempromosikan cloud terbuka di mana universitas, pusat publik, dan perusahaan berbagi infrastruktur: CPU, GPU, penyimpanan, basis data besar, perangkat, dan model AI yang dihosting di pusat data netral karbon.

Berdasarkan hal ini, misalnya, sebuah platform dengan Red Hat OpenShift AI telah diterapkan untuk eksperimen penemuan obat , digunakan dalam forum di mana para peneliti dapat melatih dan menguji model sumber terbuka, meningkatkan sumber daya sesuai kebutuhan mereka, dan terus mengakses pekerjaan mereka setelah acara tersebut.

Aksesibilitas adalah kunci: banyak kelompok akademis dan rumah sakit regional kekurangan infrastruktur lokal yang memadai untuk beban kerja AI skala besar . Platform bersama seperti MOC-A mendemokratisasi akses ke sumber daya yang sebelumnya hanya diperuntukkan bagi perusahaan farmasi besar atau pusat penelitian terkemuka.

Selain aksesibilitas, transparansi dan kemampuan untuk mengaudit serta mengadaptasi model sangat penting dalam biomedis. Sumber terbuka memungkinkan peninjauan kode, penyesuaian model terhadap konteks lokal, dan pembuatan solusi yang disesuaikan dengan alur kerja spesifik—sesuatu yang sulit dicapai dengan alat tertutup dan berpemilik.

AI4LIFE, data FAIR, dan model gambar siap AI.

Di Eropa, proyek-proyek seperti AI4LIFE berfokus pada upaya membuat AI dapat diakses oleh para ahli biologi tanpa pengalaman pemrograman tingkat lanjut . Tujuan mereka adalah untuk menjembatani kesenjangan antara kekuatan teknik pembelajaran mendalam dan realitas sehari-hari laboratorium ilmu hayati.

AI4LIFE mengembangkan platform yang mudah digunakan untuk analisis citra biologis menggunakan AI : segmentasi sel, deteksi struktur, ekstraksi fitur… Semuanya dibingkai dalam prinsip FAIR untuk data (dapat dilokalkan, dapat diakses, dapat dioperasikan, dan dapat digunakan kembali), yang disesuaikan dengan kumpulan citra dan model yang “siap untuk AI”.

Proyek ini mempromosikan standar untuk memberi anotasi dan mendokumentasikan kumpulan data gambar sehingga dapat dengan mudah digunakan kembali untuk melatih model baru atau meningkatkan model yang sudah ada. Hal ini mengurangi kebutuhan untuk memproses ulang data berulang kali, menghemat waktu komputasi, dan mendorong kolaborasi antar kelompok.

Salah satu pilar utama AI4LIFE adalah BioImage Model Zoo, sebuah repositori komunitas model untuk analisis citra biologis . Di sana, para ilmuwan dapat mengunduh model yang telah dilatih, menerapkannya dengan alat analisis populer, dan menyumbangkan model mereka sendiri, menciptakan ekosistem yang hidup dan terus berkembang.

Selain itu, proyek ini menyelenggarakan inisiatif seperti Open Call untuk mendukung kasus penggunaan spesifik dan kompetisi "Denoising Challenge", di mana metode untuk meningkatkan kualitas gambar mikroskop dikembangkan dan dibandingkan. Pendekatan kolaboratif ini mempercepat inovasi, meningkatkan visibilitas alat-alat baru, dan memfasilitasi adopsinya.

Penemuan antibiotik baru dan desain obat yang rasional.

Logika yang sama dalam menggabungkan sekuens, model bahasa, dan eksperimen basah berlaku untuk masalah kritis: resistensi antibiotik. Laboratorium seperti Machine Biology Group, yang dipimpin oleh César de la Fuente, sedang mengeksplorasi penggunaan AI untuk menemukan dan merancang molekul antimikroba baru.

Strategi mereka melibatkan penggunaan pembelajaran mendalam untuk menganalisis jutaan protein dan peptida , baik dari organisme saat ini maupun spesies yang telah punah, dalam pendekatan yang disebut "de-ekstensi molekuler": menyelamatkan molekul dari masa lalu dengan potensi antimikroba dan mengoptimalkannya melalui biologi sintetis.

Sebagian dari pekerjaan ini terinspirasi oleh sumber alami seperti peptida antimikroba dari kulit amfibi , yang dimodifikasi dan ditingkatkan menggunakan AI untuk memaksimalkan efektivitasnya terhadap bakteri resisten dan meminimalkan toksisitas serta efek yang tidak diinginkan pada mikrobiota manusia.

Model pembelajaran mesin tidak hanya memprediksi urutan mana yang mungkin berperilaku sebagai antibiotik, tetapi juga membantu menyempurnakan stabilitas, kelarutan, selektivitas, dan parameter kunci lainnya sebelum beralih ke eksperimen laboratorium. Hal ini secara dramatis mempersingkat waktu dari ide awal hingga kandidat praklinis.

Ke depan, dalam karier penelitian, profil yang menguasai biologi, pemrograman, dan teknik AI berada di garis depan paradigma baru penemuan obat yang dibantu algoritma ini.

AI dan sel punca: pemrograman ulang, terapi, dan tantangan.

Bidang lain yang berkembang pesat adalah perpaduan antara kecerdasan buatan dan biologi sel punca . Di sini, fokusnya bukan hanya pada analisis data, tetapi juga pada perancangan proses seluler yang lebih efisien dan aman untuk aplikasi klinis.

Salah satu kemajuan yang paling banyak dibicarakan adalah kolaborasi antara OpenAI dan Retro Biosciences , yang telah menghasilkan peningkatan pada faktor Yamanaka yang terkenal, yang bertanggung jawab untuk mengubah sel dewasa menjadi sel punca pluripoten terinduksi (iPSC). Dengan menggunakan model AI yang khusus dalam bidang biologi, varian dengan kapasitas pemrograman ulang yang jauh lebih besar telah diidentifikasi.

Hasil penelitian menunjukkan pemrograman ulang sel yang hingga 50 kali lebih efisien , dengan perbaikan DNA yang lebih baik dan peremajaan sel yang lebih kuat. Hal ini membuka jalan bagi terapi regeneratif yang lebih ampuh dan aman, mengurangi risiko mutasi atau perilaku yang tidak diinginkan pada sel yang diprogram ulang.

Sementara itu, kelompok-kelompok di Jepang, bekerja sama dengan perusahaan seperti Google, berupaya mengotomatiskan produksi sel iPS menggunakan AI . Tujuannya adalah untuk menstandarisasi dan mengoptimalkan setiap langkah proses, mengurangi biaya dan variabilitas sehingga terapi sel dapat dilakukan dalam skala besar.

AI juga digunakan untuk menganalisis data kompleks dari sistem biologis (pendekatan tipe SysBioAI) , mendeteksi risiko pada tahap awal, mempersonalisasi terapi berdasarkan profil molekuler setiap pasien, dan menyesuaikan perawatan secara real-time sesuai dengan respons yang diamati.

Potensi aplikasinya beragam, mulai dari mempercepat uji klinis dan mengurangi biaya hingga pengobatan regeneratif yang dipersonalisasi, peremajaan sel, dan mengintegrasikan AI ke dalam semua fase alur kerja biomedis. Tentu saja, hal ini disertai dengan tantangan serius: heterogenitas sel, risiko keamanan , regulasi, etika, dan kebutuhan konstan akan data berkualitas tinggi.

Sementara itu, peraturan seperti Undang-Undang Kecerdasan Buatan Uni Eropa berupaya memastikan bahwa kemajuan ini diterapkan dalam kerangka transparansi, pengawasan manusia, dan jaminan keamanan, terutama dalam aplikasi medis berisiko tinggi.

AlphaGenome dan "materi gelap" genom manusia

Jika AlphaFold mengubah cara kita memahami pelipatan protein, AlphaGenome kini bertujuan untuk menerjemahkan kode DNA menjadi informasi fungsional , dengan minat khusus pada 98% genom yang tidak mengkode protein tetapi memusatkan sebagian besar varian yang terkait dengan penyakit kompleks.

Dikembangkan oleh tim Google DeepMind, AlphaGenome adalah model AI berbasis pembelajaran mendalam yang dilatih pada genom manusia dan tikus , mampu menganalisis untaian DNA yang panjang dan memprediksi ribuan sinyal genetik yang terkait dengan regulasi gen dan protein.

Dalam penilaian terstandarisasi, prediksinya sesuai atau melampaui model-model terkemuka lainnya di hampir semua tes, sehingga banyak ahli menganggapnya sebagai momen penting dalam genomika komputasional . Kemampuannya untuk menginterpretasikan wilayah non-pengkodean menjadikannya alat kunci untuk menguraikan "materi gelap" genom.

Implikasi praktisnya sangat besar: AlphaGenome dapat meningkatkan interpretasi tes genetik, mengidentifikasi varian langka yang terlibat dalam patologi , memandu pengembangan perawatan baru, dan mensimulasikan bagaimana mutasi di wilayah pengatur mengubah ekspresi gen.

Para peneliti dari pusat-pusat seperti CNB-CSIC, Francis Crick Institute, atau Wellcome Sanger menekankan bahwa, meskipun bukan tongkat ajaib yang menyelesaikan semua masalah , ini adalah karya teknik luar biasa yang mengintegrasikan banyak ide sebelumnya dan membawanya ke tingkat kinerja yang jauh lebih tinggi.

Namun, mereka juga menekankan poin penting: model-model ini sangat bergantung pada kualitas, keragaman, dan standardisasi data pelatihan . Tantangan utama di masa depan adalah menghasilkan dan berbagi data biologis yang kuat, terbuka, dan terdokumentasi dengan baik untuk mendukung generasi AI genomik berikutnya.

Dengan skenario ini, penelitian biologi yang didukung oleh kecerdasan buatan muncul sebagai bidang yang terus berkembang, di mana kombinasi kumpulan data besar, model canggih, infrastruktur terbuka, dan kolaborasi interdisipliner mendefinisikan ulang bagaimana pertanyaan ilmiah dirumuskan dan bagaimana jawaban dicari, mulai dari asal usul kehidupan hingga terapi yang paling personal dalam pengobatan saat ini.