Peran Explainable AI dalam Penemuan Obat Baru

Artificial Intelligence (AI) semakin mengukuhkan posisinya sebagai teknologi kunci dalam berbagai aspek kehidupan modern, mulai dari membantu pengemudi hingga merancang molekul obat baru. Kemampuannya yang luar biasa dalam memahami dan memproses data telah membuktikan AI sebagai alat yang sangat berguna. Namun, seperti halnya manusia, memahami proses berpikir di balik keputusan yang diambil oleh AI merupakan tantangan tersendiri. Untuk menjawab tantangan ini, konsep Explainable AI (XAI) muncul sebagai solusi yang mampu memberikan penjelasan tentang cara kerja AI, sekaligus membuka potensi baru dalam bidang kimia.

Penelitian di seluruh dunia kini memanfaatkan XAI untuk menyelidiki model prediktif AI secara lebih mendalam, khususnya dalam penemuan obat. Penelitian ini akan dipresentasikan pada pertemuan musim gugur American Chemical Society (ACS) 2024, yang menggabungkan sesi virtual dan tatap muka pada 18-22 Agustus. Acara tersebut akan menampilkan sekitar 10.000 presentasi tentang berbagai topik ilmiah, termasuk penerapan XAI dalam penemuan obat.

AI telah menjadi bagian tak terpisahkan dari teknologi saat ini dengan aplikasi yang meluas. Namun, banyak model AI masih dianggap sebagai kotak hitam, di mana langkah-langkah yang diambil untuk mencapai hasil tertentu sering kali tidak jelas. Ketika hasil tersebut berkaitan dengan sesuatu yang penting seperti molekul obat potensial, ketidakjelasan ini bisa menimbulkan skeptisisme di kalangan ilmuwan dan masyarakat. Salah satu cara untuk mengatasi masalah ini adalah melalui XAI, yang dapat membantu menjelaskan proses di balik keputusan yang diambil oleh AI.

Penelitian yang dipimpin oleh Hunter Sturm, seorang mahasiswa pascasarjana kimia di Universitas Manitoba, berfokus pada penerapan XAI dalam model AI untuk penemuan obat. XAI memungkinkan peneliti untuk melihat lebih jauh ke dalam proses pengambilan keputusan AI, terutama dalam memprediksi kandidat antibiotik baru. Dalam konteks ini, akurasi dan efisiensi model prediktif sangat penting, mengingat ribuan molekul calon harus disaring untuk menemukan satu obat baru yang efektif. Resistensi antibiotik yang terus berkembang menambah urgensi untuk mengembangkan model prediktif yang lebih baik.

Peneliti memulai dengan memasukkan data dari molekul obat yang sudah dikenal ke dalam model AI yang dirancang untuk memprediksi efek biologis suatu senyawa. Mereka kemudian menggunakan model XAI yang dikembangkan oleh Pascal Friederich dari Institut Teknologi Karlsruhe di Jerman untuk menganalisis bagian-bagian spesifik dari molekul yang memengaruhi prediksi model. Pendekatan ini membantu menjelaskan mengapa molekul tertentu memiliki aktivitas biologis, sementara yang lain tidak. Dengan pemahaman ini, Sturm dan timnya dapat melihat aspek mana yang dianggap penting oleh model AI dan bagaimana model tersebut mengkategorikan berbagai senyawa.

Salah satu temuan penting dari penelitian ini adalah kemampuan XAI untuk mengidentifikasi aspek-aspek molekul yang mungkin terlewatkan oleh manusia. Misalnya, dalam analisis terhadap molekul penisilin, XAI menemukan bahwa struktur yang melekat pada inti penisilin, bukan inti itu sendiri, yang dianggap penting untuk aktivitas antibiotik. Temuan ini mungkin menjelaskan mengapa beberapa turunan penisilin dengan inti yang sama menunjukkan aktivitas biologis yang lemah.

Penemuan ini membuka peluang untuk meningkatkan model AI prediktif. Dengan mengetahui apa yang dianggap penting oleh algoritma komputer untuk aktivitas antibiotik, peneliti dapat melatih model AI untuk lebih fokus pada karakteristik yang relevan. Langkah selanjutnya bagi tim peneliti adalah bekerja sama dengan laboratorium mikrobiologi untuk mensintesis dan menguji beberapa senyawa yang diprediksi oleh model AI sebagai kandidat antibiotik yang lebih efektif. Mereka berharap bahwa XAI akan membantu ahli kimia menciptakan senyawa antibiotik baru yang lebih efektif atau bahkan berbeda, yang dapat mengatasi masalah resistensi patogen terhadap antibiotik.

Sturm menyatakan keyakinannya bahwa penerapan AI dalam kimia dan penemuan obat adalah masa depan dari disiplin ini. Dengan memanfaatkan XAI, para peneliti dapat membangun fondasi yang kuat untuk pengembangan lebih lanjut. Penelitian ini didanai oleh Universitas Manitoba, Institut Penelitian Kesehatan Kanada, dan Aliansi Penelitian Digital Kanada, yang menunjukkan komitmen kuat dari berbagai lembaga untuk mendorong inovasi di bidang ini.

Seorang peneliti utama lainnya, Davis, menekankan pentingnya kepercayaan dalam teknologi AI. Menurutnya, AI sering kali memicu ketidakpercayaan dan ketidakpastian di kalangan masyarakat. Namun, dengan kemampuan untuk menjelaskan proses pengambilan keputusannya, AI memiliki potensi untuk diterima lebih luas. XAI tidak hanya memberikan penjelasan tentang cara kerja AI, tetapi juga membangun kepercayaan yang lebih besar terhadap teknologi ini.

Penelitian ini tidak hanya menunjukkan potensi besar XAI dalam penemuan obat, tetapi juga menegaskan pentingnya pendekatan transparan dalam penggunaan teknologi AI. Dengan langkah-langkah ini, masa depan penemuan obat dapat menjadi lebih cerdas, efisien, dan efektif, membawa harapan baru dalam menghadapi tantangan kesehatan global.