Sistem AI Menemukan Blueprint untuk Protein Buatan

Tim peneliti dari Pritzker School of Molecular Engineering (PME) di University of Chicago baru-baru ini berhasil menciptakan sistem AI yang dapat membuat protein buatan sepenuhnya baru dengan menganalisis toko data besar. Protein adalah makromolekul yang penting untuk pembangunan jaringan pada makhluk hidup, dan kritis untuk kehidupan sel secara umum. Protein digunakan oleh sel sebagai katalis kimia untuk membuat berbagai reaksi kimia terjadi dan untuk melakukan tugas yang kompleks. Jika ilmuwan dapat menemukan cara untuk merancang protein buatan dengan andal, itu dapat membuka pintu untuk metode baru penangkapan karbon, metode baru pengumpulan energi, dan pengobatan penyakit baru. Protein buatan memiliki kekuatan untuk mengubah dramatis dunia yang kita tinggali. Seperti yang dilaporkan oleh EurekaAlert, temuan baru-baru ini oleh peneliti di PME University of Chicago telah membawa ilmuwan lebih dekat ke tujuan tersebut. Peneliti PME menggunakan algoritma pembelajaran mesin untuk mengembangkan sistem yang mampu menghasilkan bentuk protein baru. Tim peneliti menciptakan model pembelajaran mesin yang dilatih pada data yang ditarik dari berbagai basis data genomik. Ketika model belajar, mereka mulai membedakan pola dasar yang umum, aturan desain sederhana, yang memungkinkan penciptaan protein buatan. Setelah mengambil pola dan mensintesis protein yang sesuai di laboratorium, peneliti menemukan bahwa protein buatan menciptakan reaksi kimia yang seefektif reaksi yang didorong oleh protein yang terjadi secara alami. Menurut Profesor Joseph Regenstein di PME UC, Rama Ranganathan, tim peneliti menemukan bahwa data genom mengandung sejumlah besar informasi tentang fungsi dan struktur dasar protein. Dengan menggunakan pembelajaran mesin untuk mengenali struktur umum ini, peneliti “dapat menangkap aturan alam untuk menciptakan protein kita sendiri.” Peneliti fokus pada enzim metabolik untuk studi ini, khususnya keluarga protein yang disebut chorismate mutase. Keluarga protein ini diperlukan untuk kehidupan di berbagai tanaman, fungi, dan bakteri. Ranganathan dan koleganya menyadari bahwa basis data genom mengandung wawasan yang hanya menunggu untuk ditemukan oleh ilmuwan, tetapi bahwa metode tradisional untuk menentukan aturan tentang struktur dan fungsi protein hanya memiliki keberhasilan yang terbatas. Tim ini berusaha untuk merancang model pembelajaran mesin yang mampu mengungkapkan aturan desain ini. Temuan model ini mengimplikasikan bahwa urutan buatan baru dapat dibuat dengan melestarikan posisi asam amino dan korelasi dalam evolusi pasangan asam amino. Tim peneliti menciptakan gen sintetis yang mengkodekan urutan asam amino yang menghasilkan protein ini. Mereka mengklon bakteri dengan gen sintetis ini dan menemukan bahwa bakteri menggunakan protein sintetis dalam mesin seluler mereka, berfungsi hampir sama seperti protein biasa. Menurut Ranganathan, aturan sederhana yang dibedakan oleh AI dapat digunakan untuk menciptakan protein buatan dengan kompleksitas dan keragaman yang luar biasa. Seperti yang Ranganathan jelaskan kepada EurekaAlert: “Kendala adalah jauh lebih kecil dari yang kita bayangkan. Ada kesederhanaan dalam aturan desain alam, dan kita percaya bahwa pendekatan serupa dapat membantu kita mencari model untuk desain di sistem biologi yang kompleks lainnya, seperti ekosistem atau otak.” Ranganathan dan koleganya ingin mengambil model mereka dan menggeneralisirnya, menciptakan platform yang dapat digunakan oleh ilmuwan untuk lebih memahami bagaimana protein dibangun dan apa efeknya. Mereka berharap dapat menggunakan sistem AI mereka untuk memungkinkan ilmuwan lain menemukan protein yang dapat menangani masalah penting seperti perubahan iklim. Ranganathan dan Associate Professor Andrew Ferguson telah menciptakan perusahaan yang disebut Evozyne, yang bertujuan untuk mengkomersialkan teknologi dan mempromosikan penggunaannya di bidang seperti pertanian, energi, dan lingkungan. Memahami kesamaan antara protein, dan hubungan antara struktur dan fungsi juga dapat membantu dalam penciptaan obat dan bentuk terapi baru. Meskipun lipatan protein telah lama dianggap sebagai masalah yang sangat sulit untuk dipecahkan oleh komputer, wawasan dari model seperti yang dihasilkan oleh tim Ranganathan dapat membantu meningkatkan kecepatan perhitungan ini, memfasilitasi penciptaan obat baru berdasarkan protein ini. Obat dapat dikembangkan yang menghalangi pembentukan protein dalam virus, berpotensi membantu dalam pengobatan virus baru seperti Covid-19 coronavirus. Ranganathan dan tim peneliti masih perlu memahami bagaimana dan mengapa model mereka bekerja dan bagaimana mereka menghasilkan blueprint protein yang dapat diandalkan. Tujuan berikutnya tim peneliti adalah untuk lebih memahami atribut apa yang diambil oleh model untuk mencapai kesimpulan mereka.