Peneliti Menggunakan Algoritma Pemrosesan Bahasa Alam untuk Memahami Transformasi Protein

Peneliti dari Universitas Maryland baru-baru ini menerapkan teknik pemrosesan bahasa alami dan algoritma pembelajaran mesin untuk memperoleh wawasan tentang bagaimana molekul protein berubah dari satu bentuk ke bentuk lain. Pemrosesan bahasa alami dan molekul protein dapat berubah bentuk, namun mekanisme yang memicu perubahan bentuk protein masih belum sepenuhnya dipahami. Fungsi molekul protein ditentukan oleh bentuknya, dan memahami mekanisme yang mempengaruhi bentuk/struktur protein dapat memungkinkan ilmuwan untuk merancang terapi obat yang lebih tepat dan menentukan penyebab penyakit.

Molekul biologis tidak diam, mereka terus bergerak sebagai respons terhadap peristiwa di lingkungannya. Tekanan lingkungan dapat membuat molekul berubah bentuk, seringkali dengan sangat cepat. Molekul dapat berubah bentuk secara tiba-tiba, dalam proses yang sangat mirip dengan pembukaan pegas. Bagian-bagian molekul yang berbeda terbuka dan tertutup, dan peneliti mempelajari tahap-tahap antara bentuk molekul yang berbeda.

Menurut Phys.org, Pratyush Tiwary adalah penulis senior makalah tersebut dan merupakan asisten profesor di Departemen Kimia dan Biokimia Universitas Maryland dan Institut untuk Ilmu Fisik dan Teknologi. Menurut Tiwary, pemrosesan bahasa alami dapat digunakan untuk memodelkan bagaimana molekul berubah dan beradaptasi. Tiwary mencatat bahwa molekul memiliki “bahasa” tertentu yang mereka gunakan, dengan gerakan molekul yang dapat diterjemahkan ke dalam bahasa abstrak. Ketika proses pemetaan gerakan molekul ke pola bahasa dilakukan, teknik pemrosesan bahasa alami dan algoritma pembelajaran mesin dapat digunakan untuk “menghasilkan cerita biologis yang benar dari kata-kata abstrak yang dihasilkan.”

Ketika molekul berubah dari satu bentuk ke bentuk lain, perubahan tersebut terjadi sangat cepat. Perubahan tersebut mungkin hanya membutuhkan waktu sekejap, yaitu sekitar satu triliun detik. Kecepatan perubahan yang sangat tinggi membuat ilmuwan sulit untuk menentukan parameter apa yang mempengaruhi proses perubahan menggunakan metode seperti spektroskopi atau bahkan mikroskop berkekuatan tinggi. Untuk menentukan parameter apa yang mempengaruhi perubahan molekul, Tiwary dan tim peneliti lainnya menciptakan model fisika yang mensimulasikan protein. Model statistik yang kompleks digunakan untuk menciptakan simulasi protein yang meniru bentuk, trajektori, dan gerakan molekul. Model tersebut kemudian diberikan kepada algoritma pembelajaran mesin yang berbasis pada metode pemrosesan bahasa alami.

Model pemrosesan bahasa alami yang digunakan untuk melatih sistem pembelajaran mesin sangat mirip dengan algoritma yang digunakan dalam sistem teks prediktif Gmail. Protein yang disimulasikan diperlakukan sebagai bahasa di mana gerakan molekul diterjemahkan ke dalam “huruf”. Huruf-huruf tersebut kemudian dihubungkan untuk membentuk kata dan kalimat. Algoritma pembelajaran mesin dapat mempelajari aturan gramatikal dan sintaksis di balik struktur protein, menentukan bentuk/gerakan mana yang mengikuti bentuk/gerakan lain. Algoritma tersebut kemudian dapat digunakan untuk memprediksi bagaimana protein tertentu akan berubah bentuk dan bentuk apa yang akan diambil.

Peneliti menggunakan jaringan memori jangka panjang pendek (LSTM) untuk menganalisis kalimat protein. Tim peneliti juga memantau matematika yang digunakan dalam jaringan, memantau parameter saat jaringan mempelajari dinamika transformasi molekul. Menurut hasil penelitian, jaringan menggunakan logika yang mirip dengan konsep fisika statis yang dikenal sebagai entropi jalur. Jika temuan ini tetap konsisten, maka dapat memungkinkan perbaikan dalam jaringan LSTM. Tiwary menjelaskan bahwa penemuan ini mengungkap beberapa sifat “black-box” dari LSTM, memungkinkan peneliti untuk lebih memahami parameter mana yang dapat disesuaikan untuk kinerja optimal.

Sebagai kasus uji untuk algoritma mereka, peneliti menganalisis biomolekul yang disebut riboswitch. Riboswitch telah dianalisis sebelumnya menggunakan spektroskopi, dan ketika riboswitch dianalisis dengan sistem pembelajaran mesin, bentuk riboswitch yang diprediksi sesuai dengan yang ditemukan oleh spektroskopi.

Tiwary berharap bahwa temuan mereka akan memungkinkan peneliti untuk mengembangkan obat yang lebih tepat dengan efek samping yang lebih sedikit. Seperti yang dijelaskan Tiwary melalui Phys.org:

“Anda ingin memiliki obat yang kuat yang mengikat sangat kuat, tetapi hanya ke hal yang Anda inginkan mereka mengikat. Kami dapat mencapai itu jika kami dapat memahami bentuk-bentuk yang berbeda yang dapat diambil oleh biomolekul tertentu, karena kami dapat membuat obat yang hanya mengikat satu dari bentuk-bentuk tersebut pada waktu yang tepat dan hanya selama waktu yang kami inginkan.”