Cara peneliti memakai Codex dan ChatGPT untuk mencari molekul antimikroba baru

Mikroba yang resistan terhadap obat, termasuk bakteri, jamur, parasit, dan virus, menjadi ancaman global yang kian besar. Sekitar lima juta kematian pada 2021 berkaitan⁠(terbuka di jendela baru) dengan resistansi bakteri terhadap antimikroba—angka kematian tahunan yang diproyeksikan meningkat hampir dua kali lipat pada 2050. Menemukan molekul yang berpotensi menjadi antimikroba dapat memakan waktu bertahun-tahun. Para peneliti menggunakan AI untuk mempercepat tahap awal penemuan ini.

“Menurut saya, resistansi antimikroba merupakan salah satu ancaman terbesar bagi keberadaan umat manusia,” kata César de la Fuente⁠(terbuka di jendela baru), seorang pakar bioteknologi yang laboratorium lintas disiplinnya mencari kandidat antimikroba. “Namun, kita belum memiliki kelas antibiotik baru selama 50 tahun.”

Sebagian besar pengembangan antimikroba modern berfokus pada modifikasi obat yang sudah ada atau pencarian dalam kelas senyawa kimia yang telah dikenal. Namun, pendekatan itu memberikan hasil yang semakin terbatas.

Laboratorium de la Fuente memulai dari ranah yang jauh lebih sedikit dijelajahi: kode kehidupan. Gagasan utama yang melandasi pekerjaan ini adalah bahwa biologi merupakan sebuah sistem informasi. “Nukleotida yang membentuk DNA serta asam amino yang membentuk protein dan peptida dapat dianggap seperti sebuah alfabet,” kata de la Fuente. “Dengan memandang biologi sebagai informasi, kami dapat mengembangkan metode yang mulai menguraikan prinsip-prinsip penataan kehidupan yang menghasilkan molekul fungsional.”

Model pembelajaran mendalam laboratorium ini dilatih untuk mengenali pola dalam urutan biologis sehingga dapat menelusuri kumpulan data genom dan protein yang sangat besar untuk menemukan antimikroba potensial. Pendekatan ini dapat memangkas pencarian awal molekul kandidat dari hitungan tahun menjadi jam.

Selain model AI buatannya sendiri, laboratorium ini menggunakan ChatGPT dan Codex untuk merumuskan hipotesis, menulis dan menyempurnakan kode, memproses kumpulan data, menganalisis hasil, serta menghubungkan gagasan dari berbagai disiplin ilmu.

Hanya sebagian kecil genom yang fungsinya dipahami dengan jelas, dan lebih sedikit lagi yang mengodekan molekul untuk melawan mikroba penyebab infeksi. Tantangannya adalah mengenali pola yang membuat suatu molekul berfungsi atau aktif secara biologis, lalu menentukan molekul mana yang berpotensi melawan mikroba penyebab infeksi.

Para ilmuwan telah lama mencari antimikroba dalam tumbuhan, hewan, mikroba, serangga, air, dan tanah. Mereka mengumpulkan sampel, mengisolasi atau memprediksi molekul kandidat, lalu mengujinya melalui proses berulang yang dapat berlangsung bertahun-tahun.

Basis data digital genom dan protein kini memungkinkan ilmuwan menelusuri seluruh pohon kehidupan untuk mencari senyawa baru, sehingga cakupan data yang dapat dijelajahi menjadi jauh lebih luas. Namun, melimpahnya informasi itu membawa tantangan tersendiri: menemukan sinyal yang menjanjikan di antara begitu banyak kemungkinan.

AI sangat cocok untuk tugas seperti mencari jarum dalam tumpukan jerami ini. AI dapat memindai kumpulan data yang sangat besar, mengenali pola yang mungkin sulit diketahui peneliti, dan memilih sejumlah kandidat prioritas yang dapat diuji secara eksperimental.

Namun, menemukan kandidat yang menjanjikan tidak serta-merta berarti kandidat itu akan menjadi obat yang efektif.

Ilmuwan harus terlebih dahulu memastikan bahwa molekul kandidat mampu membunuh mikroba sasaran, menentukan jumlah yang dibutuhkan agar efektif, dan menguji pengaruhnya terhadap sel manusia. Setelah itu, ahli kimia dapat mengoptimalkannya untuk meningkatkan efektivitas, keamanan, atau stabilitasnya.

Pengujian lanjutan menilai dosis yang membuat kandidat menjadi toksik, seberapa mudah mikroba mengembangkan resistansi terhadap molekul tersebut, dan bagaimana kandidat bergerak di dalam tubuh. Tim juga menentukan cara yang andal untuk memproduksi molekul tersebut. Kandidat yang berhasil melewati rintangan ini masih harus menjalani peninjauan regulasi dan uji klinis sebelum dapat diberikan kepada pasien sebagai obat antimikroba yang disetujui.

Bagi de la Fuente, inilah alasan AI dan biologi laboratorium harus berkembang bersama. “Eksperimen dengan data nyata sangat penting untuk memvalidasi prediksi AI,” katanya. “Hal ini akan sangat penting bagi ilmu hayati pada tahun-tahun mendatang jika kita ingin terus mulai menguak pemahaman tentang biologi, sesuatu yang paling kompleks di dunia.”

Laboratoriumnya menjelajahi genom organisme hidup dan punah untuk mencari molekul kandidat. Menelusuri genom tersebut, memahami bagaimana protein yang dikodekannya terbentuk dan berfungsi, serta menentukan fungsi molekul-molekul itu membutuhkan keahlian dari berbagai bidang.

“Kami adalah kelompok yang sangat transdisipliner, jadi anggota kami berasal dari bidang biologi, kimia, ilmu komputer, dan teknik,” kata de la Fuente. Sebagian anggota laboratorium mahir dalam pemrograman, tetapi tidak banyak memahami biologi atau kimia, begitu pula sebaliknya. Codex dan ChatGPT membantu menjembatani kesenjangan tersebut, sehingga ahli biologi dapat membuat program dan pemrogram dapat menangani masalah biologi. Dalam hal ini, AI mengurangi hambatan antarbidang ilmu.

Teknologi ini membantu anggota laboratorium mempelajari topik yang belum mereka kenal tetapi dibutuhkan dalam pekerjaan lintas disiplin, memperjelas istilah, membandingkan metode antarbidang, dan menata gagasan untuk penemuan obat. Anggota lain menggunakan AI untuk mengunduh, menata, dan melakukan prapemrosesan terhadap kumpulan data genom berskala besar. ChatGPT juga memungkinkan anggota laboratorium bekerja dalam bahasa ibu mereka sehingga mengurangi hambatan dan mempercepat alur kerja.

De la Fuente menggunakan ChatGPT sebagai rekan bertukar pikiran. Ia terus mengembangkan gagasan bersama rekan-rekannya, tetapi juga menghargai kemampuan AI dalam membantunya merumuskan hipotesis. Ia juga menyukai kemudahan mengakses informasi dunia hanya dengan sekali klik.

“Workspace ChatGPT kami menerima masukan dari berbagai orang yang memiliki cara pandang berbeda terhadap masalah yang sedang kami upayakan untuk atasi,” kata de la Fuente. Anggota laboratorium memasukkan gagasan mereka, baik yang bagus maupun buruk, sehingga menjadikannya semacam wadah kolaboratif untuk menguji gagasan.

Namun, ia mengingatkan agar tidak hanya mengandalkan AI. “Tentu saja, Anda harus selalu memeriksa ulang keakuratannya,” kata de la Fuente.

Meski demikian, ia menghargai kemampuan AI dalam membantu peneliti menjelajahi batas-batas antarbidang ilmu. “Di situlah terobosan menanti untuk ditemukan. Terobosan itu pada dasarnya berada di perbatasan antarbidang yang jarang dijelajahi orang.”

Ia memandang pekerjaan ini sebagai bagian dari tradisi ilmiah yang jauh lebih panjang. “Kita selalu mengandalkan alat dan mesin untuk memahami dunia di sekitar kita,” kata de la Fuente. “Teleskop menerangi kosmos, sedangkan mikroskop menyingkap dunia yang tak kasatmata.” Kini, mesin membantu peneliti memahami, memprediksi, dan merekayasa biologi. “Itulah inti dari pekerjaan kami,” katanya.