AI telah Menguasai Rahasia Kehidupan? AlphaFold-3— “Cawan Suci” Biomedis dari Google DeepMind

Mata Ketiga
671 pengikut
Saat ini, ada sebuah AI yang memungkinkan kita mulai mengeksplorasi kehidupan itu sendiri. Ini nyata. Ketika AI generatif bersaing dalam pembuatan teks, gambar, dan video, pada Mei 2024, DeepMind mengumumkan model AI yang secara khusus memprediksi struktur protein.
AI (Artificial Intelligence) atau kecerdasan buatan saat ini telah banyak digunakan dalam berbagai bidang, tak terkecuali bidang ilmu Biologi. Salah satu program AI yang digunakan dalam Biologi adalah AlphaFold. Program ini baru dirilis oleh perusahaan Google DeepMind pada bulan Juli 2021, mereka bekerja sama dengan para ilmuwan di European Molecular Biology Laboratory's European Bioinformatics Institute (EMBL–EBI).
#ai
#kecerdasanbuatan
#deepmind
#google
#mataketiga
Salam Pemirsa, Jumpa lagi di Mata Ketiga.
Saat ini ada sebuah AI yang memungkinkan kita mulai mengeksplorasi kehidupan itu sendiri.
Ini nyata.
Ketika AI generatif bersaing dalam pembuatan teks, gambar, dan video pada Mei 2024,
DeepMind mengumumkan model AI yang secara khusus memprediksi struktur protein.
AI, Artificial Intelligence, atau kecerdasan buatan saat ini telah banyak digunakan dalam berbagai bidang,
tak terkecuali bidang ilmu biologi.
Salah satu program AI yang digunakan dalam biologi adalah AlpacVolk.
Program ini baru dirilis oleh perusahaan Google DeepMind pada bulan Juli 2021.
Mereka bekerja sama dengan para ilmuwan di European Molecular Biology Laboratories,
European Bioinformatic Institute, EMBL-EBI.
Berkat kehadiran AlpacVolk dalam dunia biologi,
200 juta lebih struktur protein kini telah dibagikan secara online dalam basis data
yang dapat diakses secara gratis, yang disebut dengan AlpacVolk DB.
AlpacVolk mampu memprediksi bentuk tiga dimensi dari protein berdasarkan urutan asam aminonya.
Terhubung bersama dalam rantai, urutan asam amino ini menggulung protein panjang
yang terlipat menjadi lembaran berlipid dan pita-pita yang berputar.
Perlu diingat bahwa, mulai dari hewan, tumbuhan, bakteri, sel, organ, hingga vaksin,
termasuk Anda dan saya, pada dasarnya kita adalah mesin yang dirakit oleh molekul protein.
Selain itu, apakah kita ingin memperpanjang usia sehat, mengembangkan obat-obatan,
mengatasi diabetes, Alzheimer, atau kanker?
Semuanya memerlukan pemahaman terlebih dahulu tentang struktur protein.
Bisa dikatakan bahwa jika kita menguasai struktur protein,
maka kita telah menguasai rahasia kehidupan.
Kemudian, setelah memiliki Alpha VIII, lalu, seberapa dekat kita menjadi penguasa kehidupan?
Dari berpikir hingga pencernaan diusus, dari bergerak hingga bermimpi di malam hari,
hampir semua aktivitas tubuh Anda melibatkan protein.
Tanpa protein, otot tidak dapat berkontraksi, saraf tidak dapat berfungsi, dan jantung tidak akan berdetak.
Jika dicermati dengan seksama, protein adalah molekul besar tiga dimensi yang terbentuk dari rangkaian asam amino
yang terhubung seperti kalung dan kemudian melingkar membentuk struktur tiga dimensi.
Protein dapat membentuk berbagai jaringan sel yang berbeda
dan menjalankan ribuan aktivitas fisiologis karena strukturnya sangat unik dan beragam.
Beberapa protein berbentuk seperti pipa besar dengan gerbang,
mampu mengontrol keluar masuknya ion melalui membran sel.
Ada yang seperti gunting kecil yang memotong makanan diusus,
dan ada juga yang berbentuk aneh seperti batu bata atau kait.
Untuk mengungkap semua rahasia protein dan membawa kita lebih dekat dalam memahami hakikat kehidupan,
selama beberapa dekade, para ilmuwan di seluruh dunia telah mengumpulkan lebih dari 220 ribu data struktur protein
melalui teknik seperti difraksi sinar X dan semuanya dikumpulkan dalam basis data yang disebut PDB,
Protein Data Bank.
Namun difraksi sinar X bukanlah teknik yang sempurna.
Jika ingin menganalisis protein tertentu,
perlu menghasilkan protein tersebut dalam jumlah besar,
kemudian mengkristalkannya sebelum dapat disinari dengan sinar X.
Dari sinari yang dipantulkan,
posisi relatif setiap inti atom dalam molekul dapat dihitung untuk menggambar struktur tiga dimensi protein.
Bayangkan,
metode ini sangat melelahkan, memakan waktu, dan sulit.
Butuh satu hingga dua tahun hanya untuk mengkristalkan satu protein.
Jika kondisinya sulit,
bisa memakan waktu dua atau tiga kali lipat lebih lama.
Meskipun AI telah membantu mempersempit syarat-syarat kristalisasi,
namun untuk menemukan struktur protein masih membutuhkan banyak tenaga dan biaya.
Selain itu,
dari 220 ribu struktur protein dibasis data PDB,
sekitar 70 ribu berasal dari molekul manusia
yang hanya mencakup sekitar sepertiga dari total jenis protein manusia.
Masih ada 2 pertiga struktur protein manusia yang belum diketahui.
Selebihnya,
sekitar 150 ribu struktur protein dalam PDB
berasal dari protein hewan seperti tikus, cacing, ragi, bakteri, dan virus.
Jika dibandingkan dengan miliaran urutan protein yang sudah diketahui di alam,
jumlah ini sangatlah sedikit.
Jika menggunakan teknologi semula,
butuh waktu yang sangat lama untuk meneliti semua struktur tersebut.
Oleh karena itu,
para ilmuwan telah lama memimpikan adanya alat canggih yang dengan hanya memberi urutan asam amino,
penyusun protein,
dapat secara otomatis menghasilkan struktur tiga dimensi.
Ini adalah mission impossible di bidang biologi selama hampir 100 tahun.
Hingga akhirnya,
dengan munculnya AI,
harapan ini menjadi kenyataan.
Pada 2018,
deepmind perusahaan AI yang menghadirkan Alpago
memasuki dunia biologi
dan meluncurkan sebuah alat prediksi struktur tiga dimensi
yang disebut Alpavolt.
Kata volt berarti melipat,
yang merujuk pada proses protein melipat
dan menggulung seperti origami dari rantai asam amino
menjadi struktur tiga dimensi dalam waktu yang sangat singkat.
Yang membuat perhitungan struktur protein menjadi rumit
adalah meskipun memiliki rantai asam amino yang sama,
namun metode melipatnya sangat beragam.
Pada tahun 1969,
seorang ahli biologi molekuler bernama Sirus Levinthal
mengajukan sebuah paradoksi yang kemudian dikenal sebagai Paradox Levinthal.
Dia menghitung bahwa sebuah protein pendek yang terdiri dari 100 asam amino
akan memiliki 99 lipatan.
Setiap sudut lipatan antara dua asam amino,
yaitu sudut dan Euler,
masing-masing memiliki tiga kemungkinan.
Maka, jumlah total kemungkinan lipatan adalah 3 dikali 3 pangkat 99
yang sama dengan 3 pangkat 198 kemungkinan.
Seberapa besar angka ini?
Jika ada sebuah komputer yang dapat menghitung 1 triliun kemungkinan struktur per detik,
waktu yang dibutuhkan untuk menghitung semua kemungkinan lipatan struktur ini
masih jauh melebihi usia alam semesta.
Apalagi, di alam terdapat banyak protein dengan jumlah asam amino yang jauh lebih banyak dari 100.
Dengan kata lain, menghitung secara manual jelas tidak memungkinkan.
Peran AI dalam menangani data besar
Dalam menghadapi pemoresesan data yang sangat besar ini,
AI hadir sebagai penyelamat.
Alpha 4 generasi pertama,
meskipun sejauh ini terlihat cukup kasar,
namun telah memanfaatkan keunggulan dari teknologi pembelajaran mendalam AI.
Secara umum, pendekatan ini menggunakan database PDB, protein data bank
yang berisi struktur 3 dimensi yang telah dihitung sebagai bahan pelatihan.
Sistem ini belajar memahami hubungan interaksi antara asam amino dalam ruang,
mirip dengan cara komputer belajar bermain catur dengan menganalisis banyak sekali catatan permainan catur.
Terdapat 22 jenis asam amino dalam dunia biologi
dan sebagian besar protein dalam tubuh manusia menggunakan 20 dari jenis-jenis tersebut.
AI belajar dari struktur-struktur ini tentang kelompok fungsional atau mana yang cenderung berdekatan,
serta pada jarak dan sudut apa mereka mendekat.
Kemudian, AI menggunakan aturan ini untuk memprediksi struktur 3 dimensi dari urutan protein berikutnya.
DeepMind mengirimkan AlphaVault generasi pertama
yang telah dilatih ini untuk berkompetisi dalam kompetisi CISP ke-13.
Kompetisi CISP dan Perkembangan AlphaVault
Kompetisi CISP, Critical Assessment of Structural Prediction
atau Kompetisi Penilaian Kritis Prediksi Struktur
adalah acara internasional yang diadakan setiap 2 tahun.
Tim dari seluruh dunia menerima urutan protein
dan berlomba memprediksi struktur 3 dimensinya dengan akurasi tertinggi.
Skor dihitung dengan membandingkan prediksi struktur dengan struktur sebenarnya.
Jika hasil akhirnya mendapatkan nilai lebih dari 90,
prediksi tersebut dianggap sebanding dengan eksperimen langsung untuk menghitung struktur protein.
Namun, AlphaVault generasi pertama hanya berhasil meraih skor di bawah 60
yang dianggap kurang memuaskan.
Pada tahun 2020, DeepMind meluncurkan AlphaVault generasi kedua
yang menunjukkan peningkatan signifikan.
Dalam kompetisi CISP ke-14, AlphaVault 2 berhasil meraih skor 92,4
meningkat lebih dari 30 poin dibandingkan versi sebelumnya.
Ada tiga alasan utama mengapa AlphaVault generasi kedua mengalami peningkatan besar.
1. Mekanisme atensi
Ascension Mechanism
Generasi pertama bisa menebak dengan baik di wilayah lokal,
tetapi sering mengabaikan interaksi antara wilayah yang terpisah jauh.
Mekanisme atensi memungkinkan sistem melihat gambaran besar
dan keluar dari jebakan solusi lokal yang optimal.
2. Penyejajaran Sekuens Jamak
Multiple Sequence Alignment
Fungsi ini mencari struktur tiga dimensi dari urutan asam amino yang serupa sebagai batu loncatan
untuk membantu menebak struktur urutan protein baru.
3. Model Prediksi Ujung-Keujung
AI terus-menerus mengumpan balik model prediksi,
hasil tebakan, dan nilai kesalahan kejaringan syarat pembelajaran mendalam
yang secara konsisten mengoptimalkan model prediksi.
Pada kompetisi CISP ke-14 di tahun 2020,
sekitar 100 tim dari lebih dari 20 negara berpartisipasi.
Berdasarkan pengumuman resmi,
AlphaVault 2 berhasil memprediksi sekitar 2 per 3
dari struktur protein dalam kompetisi dengan akurasi yang sebanding dengan eksperimen laboratorium.
Beberapa contoh keberhasilan meliputi.
Prediksi struktur RNA, polimerase VAG yang sebelumnya sulit dipecahkan
yang kemudian terbukti sangat mirip dengan hasil kristalografi SINAR-X yang diterbitkan di Jurnal Natural tahun berikutnya.
Prediksi struktur protein kunci yang digunakan oleh Proteus Mirabilis,
bakteri penyebab utama infeksi seluruh kemih yang berkaitan dengan katheter.
Hasil ini sangat membantu dalam pengembangan obat antibakteri.
AlphaVault 2 juga berhasil memprediksi struktur protein spike dari virus SARS-CoV-2 yang sangat dibutuhkan saat itu.
Pengembangan ke AlphaVault Generasi Berikutnya
Meski AlphaVault 2 sudah terbukti dapat berperan dalam bidang biomedis,
para ilmuwan tetap belum puas.
Mereka kini fokus pada level yang lebih dalam karena satu protein tunggal seperti sebuah roda gigi dan seringkali berperan
dan seringkali beberapa protein bekerja bersama-sama untuk menggerakkan fungsi biologis.
Sebagai contoh, banyak jenis kanker disebabkan oleh mutasi gen dalam sel yang menghasilkan protein dengan struktur yang salah.
Untuk menanganinya, kita tidak hanya perlu memahami protein yang rusak tersebut,
tetapi juga merancang obat target yang dapat menempel pada protein dan menghambat fungsinya menyebabkan kematian sel kanker.
Begitu pula dengan obat antivirus, antibiotik dan perawatan alzheimer yang menggunakan prinsip serupa.
Inilah salah satu tujuan utama dari AlphaVault Generasi Ketiga, AlphaVault 3.
AlphaVault 3 tidak hanya mampu memprediksi struktur protein,
tetapi yang lebih penting lagi, ia juga membantu kita memahami bagaimana protein berinteraksi dengan molekul-molekul kimia kecil.
Fokus utama dari peningkatan AlphaVault 3 adalah prediksi interaksi protein dengan molekul biologis lainnya.
Hal ini menjadikan AI ini dapat digunakan untuk mengembangkan obat-obatan berbasis molekul kecil,
antibodi monoklonal, merancang fragment RNA yang memiliki efek trapetik, dan banyak lagi.
Potensinya sangat luas dan penuh imajinasi.
Pada Mei 2024, AlphaVault 3 resmi diluncurkan.
Perusahaan Induk DeepMind, Google, dengan berani menyatakan bahwa AI ini dapat memprediksi semua struktur molekul biologis.
Dengan berani menyatakan bahwa AI ini dapat memprediksi semua struktur molekul biologis dan interaksinya.
Bukan sebagian besar, bukan hampir semua, tetapi seluruhnya.
Dan akurasinya setidaknya 50% lebih tinggi dibandingkan metode yang ada di dunia biologi.
Ada tiga peningkatan utama pada generasi ketiga ini dibandingkan AlphaVault 2.
Pertama, mekanisme atensi.
Attention mechanism diperkuat dengan memperluas pandangannya untuk mencari solusi terbaik pada struktur kompleks antar protein dan molekul biologis lainnya.
Kedua, diperkenalkannya modal difusi, diffusion models, untuk meningkatkan akurasi.
Ini adalah mekanisme penting dari AlphaVault 3.
Secara sederhana, AI dapat menghasilkan sejumlah besar koordinat atom, mencakup banyak kemungkinan struktur kompleks tiga dimensi,
kemudian menyaring hasil prediksi yang kemungkinannya sangat kecil.
Ini mirip dengan ketika kita menggunakan AI untuk membuat gambar.
AI secara bertahap menghasilkan gambar anjing yang proporsional dan bukan gambar yang memiliki ciri-ciri tidak wajar.
Penggunaan modal difusi untuk menghitung banyak solusi sekaligus namun mampu mencapai solusi terbaik dalam waktu singkat adalah inovasi utama AlphaVault 3.
Terakhir, terdapat fitur bawaan untuk mengurangi ilusi, hallucination.
Fitur ini bekerja beriringan dengan modal difusi, karena modal difusi masih bisa menghasilkan solusi yang terlihat masuk akal,
tetapi sebenarnya sangat tidak mungkin terjadi.
Sebagai contoh, AI bisa saja menghasilkan gambar anjing dengan enam kaki, bulu berkilauan seperti logam, atau rahang dengan gading.
Ini dikenal sebagai hallucination, ilusi.
Dan untuk mengatasinya, AlphaVault 3 menggunakan metode seperti perbandingan silang untuk mengurangi efek ilusi ini.
Namun AlphaVault 3 tidak sempat berpartisipasi dalam CISP 15 tahun 2022.
Selain itu, hal ini diluncurkan bersama dengan pelaksanaan CISP 16 pada tahun 2024.
Jadi kita belum tahu kinerja keseluruhan AlphaVault 3.
Meski demikian, beberapa peneliti yang gemar mencoba hal baru sudah mulai menggunakan alat ini dalam penelitian mereka.
Dalam sebuah artikel di Nature, banyak ilmuwan menggambarkan AlphaVault 2 sebagai revolusioner karena dampaknya terhadap biologi dalam 4 tahun terakhir.
Seorang ahli biokimia dari Francis Crick Institute di London, Frank Ullman, memberikan komentar penting tentang AlphaVault 3.
Ini akan mendemokratisasi penelitian biologi struktur.
Namun saat ini, AlphaVault 3 hanya dapat digunakan melalui server DeepMind dan memiliki batasan jumlah tugas yang dapat dijalankan.
Banyak ilmuwan mengkritik karena tidak adanya kode sumber yang terbuka yang menyebabkan peneliti tidak bisa mengevaluasi bagaimana AI memprediksi struktur tiga dimensi.
Sejumlah ilmuwan bahkan mengirimkan surat terbuka meminta DeepMind untuk membuka kode sumbernya.
Kabar terbaru menyebutkan bahwa pada pertengahan Mei, DeepMind telah menanggapi dan berjanji akan membuka kode tersebut dalam waktu 6 bulan.
Dapat dipastikan, AlphaVault 3 yang telah mengubah dunia biologi akan terus berkembang.
Alat ini tidak hanya membantu kita memahami purtein, tetapi juga memberikan kontribusi besar terhadap biologi struktur, cabang ilmu yang mempelajari hubungan antara struktur molekul dan fungsinya dalam biologi.
Dalam beberapa tahun ke depan, apakah kita akan melihat obat baru muncul dari teknologi ini?
Ataukah kita akan menemukan cara untuk memperpanjang usia manusia?
Mari kita nantikan bersama.
Terakhir, kami ingin bertanya, jika Anda memiliki alat yang tidak hanya mampu memprediksi struktur purtein,
tetapi juga dapat menghasilkan purtein dengan struktur apapun, apa yang akan Anda lakukan dengan alat ini?
Apakah Anda akan menggunakannya untuk menciptakan sel imun super yang dapat melenyapkan kanker dan berbagai penyakit?
Atau Anda akan menggunakannya sebagai printer makanan, karena kita semua butuh makan bukan?
Atau mungkin Anda berpikir untuk menciptakan virus super?
Ham, jika Anda memilih yang terakhir, simpan saja ide itu dalam hati ya.
Sekian dan terima kasih atas perhatiannya.
