Ketika AI Grafik Bertemu dengan AI Generatif: Era Baru dalam Penemuan Ilmiah

Dalam beberapa tahun terakhir, kecerdasan buatan (AI) telah muncul sebagai alat utama dalam penemuan ilmiah, membuka jalan baru untuk penelitian dan mempercepat laju inovasi. Di antara berbagai teknologi AI, AI Grafik dan AI Generatif sangat berguna karena potensinya untuk mengubah cara ilmuwan mendekati masalah yang kompleks. Secara individual, masing-masing teknologi ini telah memberikan kontribusi signifikan di berbagai bidang seperti penemuan obat, ilmu material, dan genomik. Namun, ketika digabungkan, mereka menciptakan alat yang lebih hebat lagi untuk memecahkan beberapa pertanyaan sains yang paling menantang. Artikel ini membahas cara kerja teknologi ini dan cara menggabungkannya untuk mendorong penemuan ilmiah.

Apa itu AI Grafik dan AI Generatif?

Mari kita mulai dengan menguraikan kedua teknologi ini.

AI Grafik: Kekuatan Koneksi

Grafik AI bekerja dengan data yang direpresentasikan sebagai jaringan atau grafik. Anggaplah simpul sebagai entitas—seperti molekul atau protein—dan tepi sebagai hubungan di antara keduanya, seperti interaksi atau kesamaan. Jaringan Neural Graf (GNN) merupakan bagian dari model AI yang unggul dalam memahami hubungan yang kompleks ini. Hal ini memungkinkan untuk menemukan pola dan memperoleh wawasan yang mendalam.

AI Grafik sudah digunakan di:

• Penemuan obat: Pemodelan interaksi molekul untuk memprediksi potensi terapeutik.
• Pelipatan protein: Menguraikan bentuk protein yang kompleks, tantangan yang sudah lama ada.
• Genomik: Memetakan bagaimana gen dan protein berhubungan dengan penyakit untuk mengungkap wawasan genetik.

AI Generatif: Pemecahan Masalah Secara Kreatif

Model AI generatif, misalnya model bahasa besar (LLM) or model difusi, dapat membuat data yang sama sekali baru termasuk teks, gambar, atau bahkan senyawa kimia. Mereka mempelajari pola dari data yang ada dan menggunakan pengetahuan tersebut untuk menghasilkan solusi baru.

Aplikasi utama meliputi:

• Merancang molekul baru untuk obat yang mungkin tidak terpikirkan oleh para peneliti.
• Simulasi sistem biologis untuk lebih memahami penyakit atau ekosistem.
• Menyarankan hipotesis baru berdasarkan penelitian yang ada.

Mengapa Menggabungkan Keduanya?

AI Grafik hebat dalam memahami koneksi, sementara AI Generatif berfokus pada penciptaan ide-ide baru. Bersama, keduanya menawarkan perangkat yang ampuh untuk mengatasi tantangan ilmiah secara lebih efektif. Berikut ini beberapa contoh dampak gabungannya.

1. Mempercepat Penemuan Obat

Mengembangkan obat baru dapat memakan waktu bertahun-tahun dan menghabiskan biaya miliaran dolar. Secara tradisional, para peneliti menguji molekul yang tak terhitung jumlahnya untuk menemukan yang tepat, yang memakan waktu dan mahal. AI Grafik membantu dengan memodelkan interaksi molekul, mempersempit kandidat potensial berdasarkan perbandingannya dengan obat yang sudah ada.

AI generatif meningkatkan proses ini dengan menciptakan molekul-molekul baru yang dirancang untuk kebutuhan tertentu, seperti mengikat protein target atau meminimalkan efek samping. AI grafik kemudian dapat menganalisis molekul-molekul baru ini, memperkirakan seberapa efektif dan aman molekul-molekul tersebut.

Misalnya, pada tahun 2020, para peneliti menggunakan teknologi ini bersama-sama untuk mengidentifikasi kandidat obat untuk mengobati fibrosis. Prosesnya hanya memakan waktu 46 hari—peningkatan yang sangat besar dibandingkan dengan waktu yang biasanya diperlukan selama bertahun-tahun.

2. Memecahkan Pelipatan Protein

Protein merupakan blok pembangun kehidupan, tetapi memahami bagaimana protein terlipat dan berinteraksi tetap menjadi salah satu tantangan ilmiah tersulit. AI grafik dapat memodelkan protein sebagai grafik, memetakan atom sebagai simpul dan ikatan sebagai tepi, untuk menganalisis bagaimana protein terlipat dan berinteraksi.

AI generatif dapat membangun hal ini dengan menyarankan struktur protein baru yang mungkin memiliki fitur yang berguna, seperti kemampuan untuk mengobati penyakit. Sebuah terobosan datang dengan DeepMind Lipatan Alfa menggunakan pendekatan ini untuk memecahkan banyak masalah pelipatan protein. Kini, kombinasi AI Grafik dan AI Generatif membantu para peneliti merancang protein untuk terapi yang ditargetkan.

3. Memajukan Ilmu Material

Ilmu material mencari material baru dengan sifat-sifat tertentu, seperti logam yang lebih kuat atau baterai yang lebih baik. AI grafik membantu memodelkan bagaimana atom-atom dalam suatu material berinteraksi dan memprediksi bagaimana perubahan-perubahan kecil dapat meningkatkan sifat-sifatnya.

AI generatif membawa hal-hal lebih jauh dengan menyarankan material yang sama sekali baru. Material ini mungkin memiliki sifat-sifat unik, seperti ketahanan panas yang lebih baik atau efisiensi energi yang lebih baik. Bersama-sama, teknologi ini membantu ilmuwan membuat bahan untuk teknologi generasi berikutnya, seperti panel surya yang efisien dan baterai berkapasitas tinggi.

4. Mengungkap Wawasan Genom

Dalam genomik, memahami bagaimana gen, protein, dan penyakit saling terhubung merupakan tantangan besar. AI grafik memetakan jaringan yang kompleks ini, membantu peneliti mengungkap hubungan dan mengidentifikasi target terapi.

AI generatif kemudian dapat menyarankan urutan genetik baru atau cara memodifikasi gen untuk mengobati penyakit. Misalnya, AI generatif dapat mengusulkan urutan RNA untuk terapi gen atau memprediksi bagaimana perubahan genetik dapat memengaruhi suatu penyakit. Menggabungkan alat-alat ini mempercepat penemuan, membawa kita lebih dekat ke pengobatan untuk penyakit kompleks seperti kanker dan kelainan genetik.

5. Penemuan Pengetahuan dari Penelitian Ilmiah

Sebuah studi terbaru oleh Markus J.Buehler menunjukkan bagaimana kombinasi AI Grafik dan AI Generatif dapat menemukan pengetahuan dari penelitian ilmiah. Mereka menggunakan metode ini untuk menganalisis lebih dari 1,000 makalah tentang bahan biologis. Dengan membangun grafik pengetahuan tentang konsep-konsep seperti sifat dan hubungan material, mereka mengungkap hubungan yang mengejutkan. Misalnya, mereka menemukan kesamaan struktural antara karya Beethoven Simfoni ke-9 dan bahan biologis tertentu.

Kombinasi ini kemudian membantu mereka menciptakan material baru—komposit berbasis miselium yang dimodelkan berdasarkan karya seni Kandinsky. Material ini menggabungkan kekuatan, porositas, dan fungsionalitas kimia, yang menunjukkan bagaimana AI dapat memicu inovasi lintas disiplin ilmu.

Tantangan dan Apa yang Akan Terjadi Selanjutnya

Meskipun memiliki potensi, AI Grafik dan AI Generatif memiliki tantangan. Keduanya membutuhkan data berkualitas tinggi, yang mungkin sulit ditemukan di bidang seperti genomik. Melatih model ini juga membutuhkan banyak daya komputasi. Namun, seiring dengan peningkatan alat AI dan data menjadi lebih mudah diakses, teknologi ini akan semakin baik. Kita dapat mengharapkan keduanya untuk mendorong terobosan di berbagai disiplin ilmu.

The Bottom Line

Kombinasi AI Grafik dan AI Generatif telah mengubah cara ilmuwan mendekati pekerjaan mereka. Dari mempercepat penemuan obat hingga merancang material baru dan mengungkap misteri genomik, teknologi ini memungkinkan solusi yang lebih cepat dan lebih kreatif untuk beberapa tantangan paling mendesak dalam sains. Seiring AI terus berkembang, kita dapat mengharapkan lebih banyak terobosan, menjadikannya waktu yang menyenangkan bagi para peneliti dan inovator. Penggabungan kedua teknologi AI ini hanyalah awal dari era baru dalam penemuan ilmiah.