DeepMind Siap Mengubah Sains Biologi Dengan Menyelesaikan Masalah Lipatan Protein

Divisi AI Google (GOOGL ), DeepMind, baru-baru ini membuat kemajuan signifikan dalam menyelesaikan salah satu tantangan tertua dalam biologi, menghitung bentuk protein dari urutan asam amino. Menurut Nature, kemajuan ini memiliki potensi untuk mengubah bidang biologi dan kimia, memungkinkan ilmuwan untuk menentukan fungsi banyak protein yang saat ini masih misterius.

Bentuk protein menentukan fungsinya, dan sebagian besar fungsi biologis bergantung pada protein. “Lipatan protein” adalah nama yang diberikan untuk proses yang mengubah rantai asam amino menjadi struktur tiga dimensi yang diperlukan protein untuk melakukan fungsinya. Jika ilmuwan dapat menentukan hubungan antara urutan asam amino dan bentuk protein yang dihasilkannya, mereka dapat menentukan protein mana yang mempengaruhi proses biologis yang berbeda.

Ilmuwan menghipotesiskan bahwa ada setidaknya 80.000 protein dalam proteom manusia, tetapi hanya sebagian kecil dari protein ini yang memiliki struktur yang diketahui. Metode tradisional untuk menentukan bentuk protein dapat memakan waktu bertahun-tahun eksperimen laboratorium, bahkan dengan menggunakan algoritma dan model ilmu komputer. Pekerjaan yang dilakukan oleh DeepMind dapat mempercepat proses penemuan struktur protein, menentukan struktur protein dengan andal dalam waktu yang jauh lebih singkat dari biasanya.

Peneliti di DeepMind melatih algoritma mereka pada database yang terdiri dari sekitar 170.000 urutan protein dan bentuk yang sesuai dengan urutan tersebut. Algoritma yang dikembangkan oleh peneliti dilatih pada antara 100 hingga 200 GPU, dan proses pelatihan memakan waktu beberapa minggu untuk diselesaikan. Model yang dikembangkan oleh peneliti dinamai “AlphaFold”.

AlphaFold bekerja melalui “algoritma ketegangan”, dimulai dengan menghubungkan potongan-potongan kecil protein dan kemudian meningkatkan skala untuk menghubungkan bagian yang lebih besar. Kluster asam amino kecil dihubungkan terlebih dahulu, dan kemudian algoritma mencari cara untuk menghubungkan kluster-kluster tersebut.

Peneliti AlphaFold awalnya mencoba menggunakan algoritma pembelajaran dalam konvensional pada data genetik dan struktural untuk memprediksi hubungan antara asam amino dan protein. AlphaFold kemudian membuat model konsensus untuk gaya protein. Ketika teknik ini terbukti memiliki banyak keterbatasan, peneliti mencoba strategi baru. Tim peneliti AlphaFold membuat model yang dilatih pada fitur yang lebih banyak, dan kali ini model tersebut mengembalikan prediksi untuk struktur akhir urutan protein.

Tim insinyur menekankan AlphaFold dengan memasukkannya dalam kompetisi di mana algoritma komputer bersaing untuk menilai struktur protein dari urutan asam amino. Kompetisi tersebut adalah “Penilaian Kritis terhadap Prediksi Struktur Protein” atau CASP. Peserta dalam kompetisi diberikan 100 urutan asam amino dan model mereka harus bekerja untuk menentukan struktur protein. AlphaFold tidak hanya mengalahkan model komputer lain dalam hal akurasi, tetapi juga berperforma setara dengan metode tradisional berbasis laboratorium. Skor median akhir AlphaFold sekitar 92 dari 100, dengan metode eksperimental berbasis laboratorium yang diberi skor 90. Skor median AlphaFold turun menjadi 87 persen pada protein yang paling sulit.

Menurut CEO dan co-pendiri DeepMind, Demis Hassabis, perusahaan sudah membuat rencana untuk memberikan akses AlphaFold kepada peneliti, dengan ilmuwan dari Max Planck Institute for Development Biology sudah menggunakan model tersebut untuk menemukan struktur protein yang mereka kerjakan selama lebih dari satu dekade.

Janet Thornton, direktur emeritus European Bioinformatics Institute, dikutip oleh ScienceMag sebagai mengatakan bahwa pencapaian DeepMind “akan mengubah masa depan biologi struktural dan penelitian protein”. Sementara itu, ahli biologi di University of Maryland, Shady Grove, John Moult mengatakan bahwa dia tidak pernah berpikir bahwa masalah lipatan protein akan pernah diselesaikan dalam hidupnya.

AlphaFold tidak mungkin akan sepenuhnya menggantikan metode eksperimental tradisional untuk menemukan struktur protein, tetapi bisa secara dramatis meningkatkan kecepatan penemuan struktur protein. Peneliti mungkin memerlukan data eksperimental berkualitas tinggi yang lebih sedikit untuk menentukan struktur protein, dan peneliti sudah memiliki akses ke volume besar data genetik yang bisa diterjemahkan menjadi struktur menggunakan solusi AlphaFold.