ARTIKEL

AlphaFold: Ketika Dunia Kesehatan bertemu dengan Kecerdasan Buatan

          Anda mungkin pernah mendengar sebuah artificial intelligence mengalahkan manusia dalam bidang catur, game, dan sebagainya. Tapi pernahkah mendengar artificial intelligence mengalahkan ahli-ahli biologi?
          Hal ini terjadi pada DeepMind, sebuah cabang dari Google yang mengembangkan kecerdasan buatan. Desember lalu, pada CASP13 meeting di Riviera Maya, Mexico, AlphaFold (artificial intelligence yang dikembangkan Google) mengalahkan ahli-ahli biologi yang sudah berpengalaman dalam memprediksi bentuk protein yang menjadi konstruksi dasar dari berbagai penyakit. Prediksi bentuk protein ini nantinya akan mempercepat penemuan baru dalam obat-obatan.

          AlphaFold bekerja dalam dua langkah. Hal yang pertama dilakukan adalah pendekatan dengan sesuatu yang disebut multiple sequence alignment, dengan cara membandingkan urutan protein dengan protein yang mirip dalam database untuk memperlihatkan pasangan asam amino yang tidak terletak berdampingan dalam suatu rantai tetapi cenderung muncul bersamaan. Hal tersebut menunjukkan bahwa kedua asam amino ini terletak saling berdekatan dalam “folded protein” atau protein yang terlipat. DeepMind melatih neural network untuk mendapatkan pasangan sejenis itu dan memprediksi jarak antara dua asam amino berpasangan dalam protein terlipat.

Gambar 1.1 Proses untuk memprediksi struktur protein

          Menemukan obat baru dan membawanya ke pasar sangat sulit. Menurut perkiraan, perusahaan obat yang besar menghabiskan lebih dari $ 2,5 miliar untuk mendapatkan obat baru kepada pasien. Hanya satu dari sepuluh yang masuk uji klinis manusia dapat dibuat hingga sampai ke apotek. Selain itu, dalam hampir 20 tahun sejak genom manusia bisa diurutkan, para peneliti hanya bisa menemukan perawatan untuk sebagian kecil dari sekitar 7.000 penyakit langka yang diketahui. Padahal, ada sekitar 20.000 gen yang dapat mengalami malfungsi dalam lebih dari 100.000 cara dan jutaan kemungkinan interaksi antara protein yang dihasilkan. Sangat tidak mungkin untuk para ahli menemukan obat untuk semuanya.

          Dalam penerapannya, penggunaan machine learning ini masih menyisakan banyak ketidakakuratan. Meskipun begitu, hal tersebut merupakan bentuk lompatan teknologi yang signifikan, dimana dahulu penemuan obat harus diuji klinis manusia sedangkan dengan machine learning dapat dipercepat prediksinya. Tentunya, pembuat obat sekarang harus berkompetisi dan berkolaborasi dengan kecerdasan buatan. Bila tidak, akan ada banyak hal lagi dalam dunia obat-obatan yang dikalahkan sebuah algoritma komputer.

 

Gambar 1.2. Contoh Konsep Machine Learning pada Pistem Pendeteksi Mobil

Leave a Reply

Your email address will not be published. Required fields are marked *