Kini Ilmuwan Rancang Protein Cukup dengan Perintah Teks Berbasis AI
Model AI terbaru memungkinkan peneliti merancang enzim dan protein khusus hanya lewat instruksi teks biasa tanpa rumus kimia rumit.
Foto: SingularityHub (Dokumentasi editorial)
Poin penting
- Sistem AI Pinal merancang urutan asam amino protein langsung dari deskripsi fungsi teks biasa.
- Dalam pengujian laboratorium, sistem berhasil merancang enzim pengurai plastik dan protein pendar.
- Hugging Face juga merilis Carbon-X, model terbuka 14 miliar parameter untuk analisis sekuens DNA.
Merancang molekul protein baru kini tidak lagi membutuhkan keahlian penulisan kode kimia yang rumit. Peneliti di Westlake University, Tiongkok, mengembangkan sistem kecerdasan buatan bernama Pinal yang mampu menyusun protein hanya dari perintah bahasa manusia biasa.
Sebagaimana dilaporkan SingularityHub dari jurnal Nature, terobosan ini memangkas hambatan teknis yang selama puluhan tahun membatasi rekayasa protein. Protein adalah molekul biologis kompleks penunjang fungsi tubuh dan industri, mulai dari obat-obatan hingga detergen ramah lingkungan.
Mekanisme Dua Tahap Perancangan Molekul
Pinal beroperasi melalui dua modul kerja utama tanpa meminta spesifikasi struktur molekul dari pengguna. Modul pertama mengubah instruksi teks bebas menjadi beberapa cetak biru struktur tiga dimensi.
Modul kedua kemudian membaca cetak biru tersebut untuk memilih susunan asam amino yang tepat. Asam amino merupakan senyawa dasar penyusun protein alami maupun sintetis.
Untuk melatih sistem ini, tim peneliti mengumpulkan sekitar 135 juta urutan protein. Mereka memadukannya dengan model bahasa besar untuk menghasilkan 1,7 miliar pasangan data teks dan fungsi protein.
Dalam uji coba laboratorium, Pinal diuji menciptakan empat jenis protein berbeda. Sistem berhasil merancang protein pendar hijau, enzim pengurai plastik PET, enzim pemroses alkohol, dan protein pengangkut senyawa kimia.
Meski demikian, efisiensi keluarannya bervariasi. Dari 50.000 rancangan protein pendar, tim menyaringnya menjadi 29 kandidat dan hanya satu yang berhasil berpendar di laboratorium.
Pada uji protein pengangkut senyawa, hasilnya jauh lebih konsisten. Lima dari 20 kandidat bekerja efektif, bahkan meningkatkan fiksasi karbon dioksida sebesar 1,7 kali lipat dibanding versi alami.
Model Terbuka untuk Komputasi Lokal
Di lini terpisah, Hugging Face berkolaborasi dengan peneliti Italia dan Tiongkok meluncurkan Carbon-X. Model terbuka berukuran 14 miliar parameter ini dilatih dengan 300 miliar token data genom dan teks biasa.
Carbon-X dapat menjawab pertanyaan seputar mutasi gen dan menghasilkan sekuens DNA baru. Model ini bahkan bisa dijalankan di laptop MacBook, sehingga data penelitian sensitif milik perusahaan tetap aman di server internal.
Meski menjanjikan, para peneliti mengingatkan bahwa model-model ini masih rentan menghasilkan halusinasi urutan DNA. Validasi hasil rancangan AI tetap membutuhkan pengujian laboratorium basah dan tenaga ahli berpengalaman.
Apa Artinya bagi Pelaku Usaha
Bagi industri farmasi, pengolahan limbah, dan manufaktur kimia, kehadiran alat ini membuka peluang memangkas biaya riset formulasi awal. Pemimpin bisnis bioteknologi dapat mempercepat penemuan enzim khusus tanpa harus merekrut spesialis biologi komputasi langka dalam jumlah besar.
Langkah mitigasi risiko tetap mutlak diterapkan. Jangan langsung menginvestasikan dana produksi massal sebelum rancangan molekul AI lolos pengujian laboratorium mandiri, mengingat tingkat kegagalan awal model ini masih tergolong tinggi.
Pelaku usaha di Indonesia disarankan mengevaluasi model terbuka seperti Carbon-X untuk eksplorasi internal. Penggunaan infrastruktur lokal memastikan kerahasiaan kekayaan intelektual formulasi perusahaan tidak bocor ke penyedia komputasi awan pihak ketiga.
- SingularityHub: Scientists Can Now Ask AI to Design Proteins Using Plain Language
Lihat hasil pemeriksaan (10 klaim)
| Klaim | Putusan | Dasar di sumber |
|---|---|---|
| Peneliti di Westlake University, Tiongkok, mengembangkan sistem AI bernama Pinal yang mampu merancang protein dari instruksi bahasa manusia biasa. | Didukung | “scientists at Westlake University in China detail an AI system called Pinal that can generates protein sequences from natural-language prompts describing a desired protein function.” SingularityHub melaporkan publikasi riset tim Westlake University di jurnal Nature mengenai model Pinal. |
| Pinal beroperasi melalui dua tahap tanpa meminta detail struktur molekul atau urutan asam amino dari pengguna. | Didukung | “Pinal works in two stages, neither of which asks the user for details about the molecular structure or sequence of amino acids.” SingularityHub menjelaskan mekanisme alur kerja dua tahap Pinal. |
| Modul kedua membaca cetak biru struktur dan teks instruksi untuk menentukan urutan asam amino. | Didukung | “A second module then reads both that blueprint and the original text to decide the sequence of amino acids.” SingularityHub menguraikan fungsi modul kedua dalam menyusun sekuens asam amino. |
| Sistem Pinal dilatih menggunakan sekitar 135 juta sekuens protein dan 1,7 miliar pasangan teks dan fungsi protein. | Didukung | “roughly 135 million protein sequences and used large language models to write plain-language descriptions of their functions, generating about 1.7 billion protein-text pairs.” SingularityHub merinci volume data pelatihan yang dihimpun para peneliti. |
| Pinal diuji merancang empat protein: protein pendar hijau, enzim pengurai plastik PET, enzim pemroses alkohol, dan protein pengangkut senyawa. | Didukung | “To test the model, the team asked it to design four proteins: one that glows green, an enzyme that breaks down PET plastic, an enzyme that processes alcohols, and a shuttle protein” SingularityHub menyebutkan empat jenis target uji laboratorium untuk model Pinal. |
| Dari 50.000 rancangan protein pendar, disaring menjadi 29 kandidat uji dan hanya satu yang berhasil berpendar. | Didukung | “When asked to produce a glowing protein, it created 50,000 sequences. These were filtered down to 29 for testing, and only one actually fluoresced.” SingularityHub memaparkan rasio keberhasilan pengujian laboratorium protein fluoresens. |
| Pada uji protein pengangkut senyawa, 5 dari 20 kandidat berfungsi dan kandidat terbaik meningkatkan fiksasi karbon dioksida 1,7 kali dibanding versi alami. | Didukung | “Five of the 20 candidates worked, and the best one boosted a multi-enzyme carbon dioxide fixation pathway to 1.7 times the output of the natural version.” SingularityHub melaporkan hasil performa protein pengangkut pada jalur metabolisme fiksasi CO2. |
| Kolaborasi Hugging Face dengan akademisi Italia dan Tiongkok merilis model terbuka Carbon-X berukuran 14 miliar parameter yang dilatih dengan 300 miliar token. | Didukung | “The group released a 14-billion-parameter open model called Carbon-X that can answer questions about a gene sequence, predict what a mutation will do, or generate new DNA.” SingularityHub menjelaskan peluncuran dan spesifikasi model genom Carbon-X. |
| Model Carbon-X dapat dijalankan di laptop MacBook. | Didukung | “And the model can run on a MacBook” SingularityHub menegaskan kapabilitas model Carbon-X untuk beroperasi secara lokal di MacBook. |
| Model-model ini masih rentan terhadap halusinasi dan validasi rancangan tetap memerlukan laboratorium basah serta peneliti berpengalaman. | Didukung | “Carbon-X struggles with long sequences and remains prone to hallucinations. Validating the sequences they produce also still requires a well-equipped lab and experienced scientists.” SingularityHub mencatat batasan teknis model dan kebutuhan validasi basah. |
Video AI terbaru
TamaGPT
