AlphaFold dan Masa Depan Sains: Ketika AI Mempercepat Penemuan Biologi

Generasi awal AI banyak mengandalkan aturan yang telah ditentukan manusia. Sistem seperti ini dapat bekerja sangat baik dalam situasi tertentu, tetapi menjadi terbatas ketika menghadapi kondisi yang tidak diperkirakan sebelumnya.

Perubahan besar terjadi ketika AI mulai dikembangkan sebagai learning systems. Alih-alih hanya mengikuti instruksi yang telah diprogram, sistem tersebut belajar dari data, pengalaman, dan prinsip tertentu untuk menemukan pola serta solusi secara mandiri.

Pendekatan ini memungkinkan AI menemukan strategi yang sebelumnya tidak diketahui manusia. Kemampuan tersebut kemudian diuji secara intensif melalui permainan.

Permainan seperti catur, Atari, dan Go digunakan sebagai lingkungan pengujian karena memiliki aturan yang jelas tetapi ruang kemungkinan yang sangat besar. AI dapat melakukan jutaan simulasi tanpa harus menghadapi konsekuensi dunia nyata.

AlphaGo menjadi contoh penting. Dengan pendekatan self-play, sistem dapat bermain melawan dirinya sendiri dan terus meningkatkan kemampuan tanpa harus selalu bergantung pada contoh permainan manusia.

Kompleksitas Go bahkan mencapai sekitar 10¹?? kemungkinan posisi. Angka tersebut jauh melampaui jumlah atom di alam semesta teramati, sehingga permainan ini menjadi ujian luar biasa bagi kemampuan AI dalam menyederhanakan ruang pencarian yang sangat besar.

Ketika AlphaGo mengalahkan grandmaster Lee Sedol pada 2016, perhatian publik terhadap kemampuan AI meningkat drastis. Pertandingan tersebut diperkirakan disaksikan sekitar 200 juta orang di seluruh dunia.

Namun, permainan hanyalah sarana pembuktian. Tujuan yang lebih besar adalah menggunakan kemampuan pembelajaran tersebut untuk menghadapi masalah nyata.

Salah satu masalah paling sulit dalam biologi adalah memahami bagaimana urutan asam amino menentukan struktur tiga dimensi protein. Protein harus melipat menjadi bentuk tertentu agar dapat menjalankan fungsinya di dalam tubuh.

Masalah ini dikenal sangat kompleks. Sebuah protein dapat memiliki jumlah kemungkinan bentuk yang luar biasa besar, sementara proses pelipatan sebenarnya berlangsung sangat cepat di alam.

Kompetisi CASP telah digunakan sejak 1994 untuk mengukur kemajuan prediksi struktur protein. Terobosan besar terjadi ketika AlphaFold 2 menunjukkan kemampuan prediksi struktur protein dengan tingkat akurasi yang sangat tinggi pada 2020.

Sebelum adanya prediksi komputasional yang sangat akurat, menentukan struktur protein secara eksperimental dapat membutuhkan waktu bertahun-tahun. Dalam konteks penelitian akademik, seorang mahasiswa doktoral bahkan dapat menghabiskan sebagian besar masa studinya untuk memecahkan struktur satu protein.

AlphaFold mengubah skala persoalan tersebut. DeepMind kemudian memprediksi struktur sekitar 200 juta protein yang telah diketahui ilmu pengetahuan menggunakan Google Cloud.

Database tersebut membuat struktur protein tersedia secara luas bagi peneliti. Akses gratis terhadap database AlphaFold telah membantu jutaan peneliti dan menghasilkan puluhan ribu kutipan ilmiah.

Kontribusi tersebut turut mengantarkan Demis Hassabis meraih bagian dari Hadiah Nobel Kimia 2024.

Menurut Hassabis, biologi pada dasarnya dapat dipandang sebagai sistem pemrosesan informasi yang sangat kompleks. Jika demikian, AI berpotensi menjadi salah satu bahasa deskripsi yang kuat untuk memahami sistem biologis tersebut.

Gagasan ini mengarah pada konsep digital biology atau biologi digital. Dengan model komputasional, ilmuwan dapat melakukan simulasi dan eksperimen secara in silico sebelum melakukan pengujian fisik.

Dampaknya dapat sangat besar terhadap pengembangan obat. Proses yang secara tradisional membutuhkan sekitar satu dekade dan biaya miliaran dolar berpotensi dipercepat melalui kemampuan AI untuk menyaring hipotesis, memprediksi interaksi, dan membantu menemukan kandidat obat.

AI tidak serta-merta menggantikan laboratorium. Sebaliknya, komputer dapat membantu menentukan eksperimen mana yang paling menjanjikan sehingga waktu dan sumber daya penelitian dapat digunakan dengan lebih efisien.

Konsep doing science at digital speed menggambarkan perubahan mendasar dalam proses penemuan. Jika sebelumnya ilmuwan harus menguji berbagai kemungkinan satu per satu secara fisik, model AI dapat membantu mengeksplorasi sebagian ruang kemungkinan secara digital terlebih dahulu.

Perubahan tersebut memungkinkan peneliti bekerja pada skala yang sebelumnya sulit dibayangkan. Komputer dapat menguji hipotesis dalam jumlah besar, sementara manusia tetap berperan dalam merumuskan pertanyaan, mengevaluasi hasil, dan menentukan eksperimen lanjutan.

Dengan cara ini, AI menjadi akselerator metode ilmiah, bukan pengganti ilmuwan.

Kemampuan AI yang semakin kuat juga menghadirkan tanggung jawab yang semakin besar. Teknologi yang mampu membantu memecahkan persoalan biologi dapat membawa manfaat besar, tetapi kemampuan yang sama juga perlu diawasi agar tidak menghasilkan dampak berbahaya.

Karena itu, pengembangan AI transformatif membutuhkan regulasi, pengawasan keamanan, evaluasi risiko, dan pendekatan ilmiah. Hassabis menekankan pentingnya kehati-hatian dan kerendahan hati dalam menghadapi teknologi yang berkembang sangat cepat.

Pendekatan tersebut berbeda dari pola pikir “move fast and break things”. Untuk teknologi yang dapat memengaruhi kesehatan, ekonomi, keamanan, dan kehidupan manusia, kesalahan tidak selalu dapat diperbaiki setelah dampaknya terjadi.

Perjalanan DeepMind menunjukkan bahwa AI dapat berkembang dari permainan menjadi alat penelitian ilmiah. Kemampuan belajar mandiri yang awalnya diuji dalam lingkungan virtual akhirnya digunakan untuk menghadapi persoalan nyata seperti struktur protein.

AlphaFold menjadi contoh bahwa terobosan AI bukan hanya tentang membuat mesin lebih pintar. Teknologi tersebut dapat membantu manusia memahami dunia dengan cara baru dan mempercepat proses penemuan.

Jika perkembangan ini berlanjut, laboratorium masa depan kemungkinan akan semakin menggabungkan eksperimen fisik dengan simulasi digital. Peneliti tidak hanya bertanya apa yang dapat dihitung komputer, tetapi juga bagaimana hasil komputasi tersebut dapat digunakan untuk merancang eksperimen yang lebih cepat, murah, dan tepat.

AI sedang bergerak dari sekadar teknologi otomatisasi menuju instrumen penting dalam penemuan ilmiah. Perubahan dari sistem pakar ke learning systems memungkinkan mesin belajar dari pengalaman dan menemukan solusi yang tidak selalu diprogram secara langsung oleh manusia.

AlphaFold menjadi salah satu bukti paling kuat dari perubahan tersebut. Dengan membantu memecahkan persoalan struktur protein, AI membuka jalan menuju era biologi digital dan proses penelitian yang dapat berlangsung dengan kecepatan komputasional.

Namun, kecepatan bukan satu-satunya ukuran keberhasilan. Semakin besar kemampuan AI, semakin penting pula pengawasan, metode ilmiah, dan kehati-hatian. Masa depan sains kemungkinan bukan tentang manusia melawan mesin, melainkan manusia dan AI bekerja bersama untuk menjawab pertanyaan yang sebelumnya terlalu besar untuk diselesaikan sendirian.

FAQ

1. Apa itu AlphaFold? AlphaFold adalah sistem AI yang dikembangkan DeepMind untuk memprediksi struktur tiga dimensi protein berdasarkan informasi biologis yang tersedia.
2. Mengapa pelipatan protein menjadi masalah besar dalam biologi? Karena protein memiliki kemungkinan struktur yang sangat banyak, sementara bentuk tiga dimensinya menentukan fungsi biologisnya.
3. Apa hubungan game dengan perkembangan AI? Game menyediakan lingkungan simulasi dengan aturan jelas dan ruang kemungkinan besar sehingga kemampuan pembelajaran AI dapat diuji dengan aman.
4. Apa yang dimaksud dengan biologi digital? Biologi digital adalah pendekatan yang menggunakan komputasi, AI, dan pemodelan data untuk memahami serta mensimulasikan sistem biologis.
5. Apakah AI akan menggantikan ilmuwan? AI lebih tepat dipandang sebagai alat akselerasi penelitian. Ilmuwan tetap diperlukan untuk menentukan pertanyaan, mengevaluasi hasil, merancang eksperimen, dan mengambil keputusan ilmiah.