Ilmuwan mengembangkan model AI baru untuk pelipatan protein
Peneliti telah mengungkap sistem AI bervisi yang memprediksi struktur protein dengan akurasi yang belum pernah terjadi sebelumnya. Model ini, yang dilatih pada dataset besar, dapat merevolusi penemuan obat dan bioteknologi. Kemajuan ini dibangun di atas pekerjaan sebelumnya dalam biologi komputasional.
Dalam pengumuman baru-baru ini, tim ilmuwan memperkenalkan model kecerdasan buatan canggih yang dirancang untuk menyelesaikan tantangan lama pelipatan protein. Pelipatan protein mengacu pada proses di mana protein, blok bangunan esensial kehidupan, mengasumsikan bentuk tiga dimensi fungsional mereka dari rantai asam amino linier. Memahami proses ini sangat penting untuk bidang seperti kedokteran dan teknik, karena protein yang terlipat salah terlibat dalam penyakit seperti Alzheimer dan Parkinson.
Model baru, yang dinamai AlphaFold 3, dikembangkan oleh peneliti di DeepMind, anak perusahaan Alphabet Inc. Model ini mencapai akurasi lebih dari 90% dalam memprediksi struktur untuk berbagai protein, termasuk yang berinteraksi dengan DNA, RNA, dan molekul lainnya. 'Ini adalah lompatan maju yang signifikan, memungkinkan kami untuk memodelkan interaksi biomolekuler kompleks yang sebelumnya tidak dapat diatasi,' kata Demis Hassabis, CEO DeepMind, dalam pernyataan.
Linimasa pengembangan dapat ditelusuri kembali ke 2018, ketika AlphaFold awal DeepMind memenangkan kompetisi Critical Assessment of Structure Prediction (CASP). Iterasi selanjutnya meningkatkan akurasi, dengan AlphaFold 2 dirilis pada 2020, membuat prediksi tersedia untuk komunitas ilmiah global melalui database publik. Versi terbaru memperluas kemampuan ke ligan dan modifikasi, mengatasi celah dalam model sebelumnya.
Konteks latar belakang menyoroti pentingnya pekerjaan ini. Metode eksperimental tradisional, seperti kristalografi sinar-X, memakan waktu dan mahal, sering memakan waktu bertahun-tahun. Prediksi yang didorong AI mempercepat penelitian; misalnya, selama pandemi COVID-19, AlphaFold membantu mengidentifikasi target obat potensial. Model ini dilatih pada data dari Protein Data Bank, yang berisi lebih dari 200.000 struktur yang ditentukan secara eksperimental.
Implikasinya sangat luas. Dalam penemuan obat, pemodelan protein yang lebih cepat dapat mempersingkat jadwal pengembangan dari 10-15 tahun menjadi hanya beberapa bulan, berpotensi mengarah pada pengobatan baru untuk kanker dan penyakit menular. Namun, pertimbangan etis muncul, termasuk privasi data dalam penelitian genomik dan akses yang adil terhadap teknologi. DeepMind telah berkomitmen untuk membuka sumber bagian dari model untuk mendorong kolaborasi.
Meskipun komunitas ilmiah memuji inovasi ini, beberapa ahli mencatat keterbatasan, seperti tantangan dengan protein yang tidak beraturan secara intrinsik. Secara keseluruhan, pengembangan ini menandai momen penting dalam biologi komputasional, menjanjikan untuk membuka frontier baru dalam kesehatan dan seterusnya.