Dibantu AI, Stanford Ciptakan 16 Bakteriofag Pembunuh E. coli

Perkembangan kecerdasan buatan (AI) mulai merambah jauh ke dunia biologi. Jika selama ini AI lebih dikenal untuk menghasilkan teks, gambar, video, atau membantu menulis kode, kini teknologi tersebut digunakan untuk merancang materi biologis pada tingkat DNA.

Salah satu terobosan datang dari para peneliti Stanford University. Mereka menggunakan model AI generatif bernama Evo 2 untuk merancang genom bakteriofag, yakni virus yang secara alami menginfeksi dan membunuh bakteri.

Dalam penelitian tersebut, para peneliti berhasil mensintesis hampir 300 bakteriofag berdasarkan rangkaian DNA yang dihasilkan Evo 2. Setelah melewati berbagai tahapan penyaringan dan pengujian di laboratorium, sebanyak 16 bakteriofag menunjukkan aktivitas yang sangat kuat dalam membunuh bakteri Escherichia coli atau E. coli.

Hasil ini menjadi menarik karena Evo 2 tidak sekadar digunakan untuk mengusulkan perubahan kecil pada bagian tertentu dari DNA. Model tersebut diminta menghasilkan genom bakteriofag secara lengkap, dari awal hingga akhir.

Penelitian ini berfokus pada bakteriofag ΦX174, yang dibaca “FYE-ex-1-7-4”. Bakteriofag tersebut dipilih karena memiliki genom yang relatif kecil sehingga lebih memungkinkan untuk digunakan sebagai sistem pengujian awal.

AI Merancang Genom Bakteriofag dari Awal

Evo 2 dikembangkan oleh Brian Hie, asisten profesor teknik kimia di Stanford sekaligus Dieter Schwarz Foundation Stanford Data Science Faculty Fellow. Dalam penelitian ini, pekerjaan eksperimental dipimpin oleh Samuel King, mahasiswa pascasarjana bidang bioengineering.

Cara kerja Evo 2 dalam penelitian tersebut cukup berbeda dari penggunaan AI pada umumnya. Model tidak hanya diminta menganalisis DNA yang sudah tersedia, tetapi menghasilkan rangkaian DNA baru berdasarkan informasi awal dari genom bakteriofag.

Para peneliti kemudian memberikan potongan kecil genom ΦX174 kepada model dan meminta Evo 2 menghasilkan keseluruhan genom secara lengkap dalam satu proses.

“Dalam kasus ini, kami ingin model menghasilkan seluruh genom secara lengkap dari ujung ke ujung dalam satu proses dari kiri ke kanan. Kami tidak menambahkan apa pun,” kata Hie.

Dari proses tersebut, Evo 2 menghasilkan ribuan kandidat genom. Namun, tidak semua hasil langsung digunakan. Para peneliti terlebih dahulu melakukan penyaringan secara komputasi untuk menentukan kandidat mana yang paling menjanjikan sebelum masuk ke tahap sintesis DNA.

Pemilihan ΦX174 juga bukan tanpa alasan. Genom bakteriofag tersebut memiliki kurang dari 6.000 pasangan basa, jauh lebih kecil dibandingkan genom manusia yang terdiri dari sekitar 3 miliar pasangan basa.

Meski berukuran kecil, memahami bagaimana setiap bagian dari genom bekerja tetap menjadi tantangan. Hie mengatakan para peneliti masih menghadapi kesulitan ketika harus memahami fungsi setiap bagian dari rangkaian DNA yang panjangnya sekitar 5.400 karakter.

Namun, hasil eksperimen menunjukkan sesuatu yang menarik. Beberapa bakteriofag yang dirancang Evo 2 menunjukkan tingkat fitness atau kemampuan bertahan dan berkembang yang lebih tinggi dibandingkan ΦX174 alami ketika diuji di laboratorium.

Temuan tersebut menjadi salah satu bagian penting dalam penelitian karena menunjukkan bahwa model AI berpotensi menghasilkan genom virus yang tidak hanya terlihat masuk akal secara komputasi, tetapi juga dapat berfungsi ketika diwujudkan dalam bentuk biologis nyata.

Ribuan Kandidat Tidak Langsung Dibuat di Laboratorium

Meski terdengar seperti AI langsung menciptakan ratusan virus baru, proses sebenarnya jauh lebih panjang dan melibatkan beberapa tahapan penelitian. Evo 2 memang menghasilkan ribuan kemungkinan genom. Namun, para peneliti tidak langsung mensintesis seluruh hasil tersebut. Selain membutuhkan waktu, sintesis DNA juga memerlukan biaya yang tidak sedikit.

Karena itu, Samuel King mengembangkan sebuah kerangka komputasi untuk menyaring kandidat sebelum masuk ke tahap sintesis. Kerangka tersebut menggunakan karakteristik yang diketahui dari ΦX174 dan bakteriofag lain yang memiliki hubungan dengannya. Hasil rancangan Evo 2 kemudian dievaluasi berdasarkan sejumlah kriteria sebelum kandidat terbaik dipilih.

“Salah satu bagian utama dari kerangka desain ini adalah menentukan karakteristik seperti apa yang seharusnya dimiliki genom berdasarkan ΦX174 dan bakteriofag terkait,” ujar King.

Menurut King, proses penelitian terdiri dari beberapa tahapan utama. Pertama, Evo 2 menghasilkan berbagai kandidat genom. Setelah itu, kandidat tersebut dievaluasi berdasarkan kriteria desain. Tim kemudian memilih kandidat yang dianggap paling optimal untuk disintesis secara kimia.

Setelah DNA berhasil disintesis, para peneliti melakukan pengujian di laboratorium untuk melihat kandidat mana yang benar-benar dapat bekerja. 

Pendekatan tersebut menunjukkan bahwa AI bukanlah satu-satunya komponen dalam penelitian. Model berperan menghasilkan kemungkinan desain, sedangkan peneliti tetap harus melakukan validasi secara komputasi dan biologis. Hie mengatakan metode penyaringan tersebut membantu menekan biaya penelitian karena sumber daya dapat difokuskan pada kandidat yang memiliki peluang keberhasilan lebih tinggi.

Dengan kata lain, Evo 2 berfungsi sebagai mesin eksplorasi yang mampu menghasilkan banyak kemungkinan, sementara peneliti tetap berperan menentukan mana yang layak dibawa ke tahap berikutnya.

16 Bakteriofag Dipakai untuk Menghadapi Resistansi

Setelah melalui proses penyaringan dan pengujian, para peneliti mendapatkan 16 bakteriofag yang menunjukkan aktivitas kuat terhadap E. coli. Penggunaan banyak bakteriofag sekaligus menjadi bagian penting dalam penelitian. Alasannya, bakteri dapat mengembangkan resistansi terhadap satu jenis bakteriofag.

Jika hanya satu bakteriofag yang digunakan, bakteri yang berhasil mengembangkan mekanisme pertahanan terhadap bakteriofag tersebut berpotensi bertahan. Kondisi ini dapat mengurangi efektivitas terapi.

Karena itu, para peneliti mengeksplorasi penggunaan campuran beberapa bakteriofag yang memiliki perbedaan genetik.

“Jika bakteri menjadi kebal terhadap satu bakteriofag, pengobatannya bisa gagal. Namun, jika terdapat beberapa bakteriofag yang secara genetik berbeda dalam satu campuran, bakteri akan lebih sulit mengembangkan resistansi terhadap seluruh campuran tersebut,” jelas Hie.

Stanford melaporkan bahwa campuran 16 bakteriofag tersebut mampu dengan cepat mengatasi resistansi pada E. coli yang sebelumnya tidak terpengaruh oleh ΦX174 alami. Hasil ini membuka peluang baru dalam pengembangan pendekatan berbasis bakteriofag, khususnya untuk menghadapi bakteri yang semakin sulit ditangani menggunakan metode konvensional.

Meski demikian, temuan tersebut masih berada dalam tahap penelitian dan belum berarti bahwa bakteriofag hasil rancangan AI dapat langsung digunakan sebagai terapi pada manusia.

Masih diperlukan penelitian lanjutan untuk memahami efektivitas, keamanan, serta berbagai aspek biologis lainnya sebelum pendekatan semacam ini dapat diterapkan secara luas.

Tidak Hanya E. coli, MRSA Jadi Target Berikutnya

Keberhasilan pada E. coli juga mendorong kemungkinan penggunaan pendekatan serupa untuk bakteri lain. Hie menyebut methicillin-resistant Staphylococcus aureus (MRSA) sebagai salah satu target yang berpotensi diteliti pada tahap berikutnya.

MRSA merupakan jenis Staphylococcus aureus yang telah mengembangkan resistansi terhadap sejumlah antibiotik. Bakteri ini menjadi perhatian serius dalam dunia kesehatan karena infeksinya dapat lebih sulit ditangani.

Selain MRSA, Pseudomonas aeruginosa juga menjadi salah satu kandidat target. Bakteri tersebut dikenal sebagai penyebab berbagai infeksi dan dapat menjadi masalah serius terutama di lingkungan rumah sakit. Jika teknologi AI dapat membantu mempercepat pencarian bakteriofag yang mampu menyerang bakteri tertentu, peneliti berpotensi memiliki lebih banyak pilihan untuk menghadapi bakteri yang resistan.

Evo 2 Dibuka sebagai Open Source

Salah satu aspek lain yang menarik dari penelitian ini adalah keputusan Hie untuk merilis Evo 2 sebagai perangkat lunak open source. 

Dengan pendekatan tersebut, peneliti lain dapat mengakses model dan menggunakannya untuk mengeksplorasi rancangan genom. Keterbukaan ini berpotensi mempercepat penelitian karena komunitas ilmiah tidak harus memulai pengembangan dari nol.

Namun, teknologi yang dapat digunakan untuk merancang materi biologis juga membawa pertanyaan mengenai keamanan. Stanford mencatat adanya diskusi mengenai potensi penyalahgunaan Evo 2. Hie mengakui bahwa pihak dengan niat buruk dapat memodifikasi perangkat tersebut.

Di sisi lain, Hie menilai patogen yang sudah ada saat ini masih menjadi risiko yang lebih besar karena manusia telah memiliki akses terhadap organisme tersebut dan dapat memproduksinya dengan lebih mudah.

Menurut Hie, AI juga dapat memberikan manfaat dari sisi pertahanan. Sistem berbasis AI berpotensi membantu peneliti merespons pandemi yang muncul secara alami serta mencari pendekatan untuk menghadapi ancaman biologis yang sengaja dibuat manusia.

Perdebatan tersebut menunjukkan bahwa perkembangan AI di bidang biologi tidak hanya berbicara mengenai kemampuan teknologi, tetapi juga mengenai bagaimana teknologi tersebut dikendalikan dan digunakan secara bertanggung jawab.

AI Membuka Ruang Eksperimen Baru

Bagi Samuel King, salah satu hal paling menarik dari proyek ini adalah kemampuan Evo 2 untuk membuka kemungkinan baru dalam penelitian biologi.

“Salah satu bagian yang paling menarik dari proyek ini adalah kreativitas yang diberikan Evo 2. Kini terbuka berbagai peluang baru dalam ilmu pengetahuan berkat apa yang dapat kita lakukan dengan model-model ini,” ujar King.

Pernyataan tersebut menggambarkan perubahan besar dalam cara peneliti mengeksplorasi ruang biologis.

Secara tradisional, ilmuwan harus menentukan desain berdasarkan pengetahuan sebelumnya, kemudian melakukan eksperimen satu per satu. AI dapat membantu memperluas proses tersebut dengan menghasilkan banyak kemungkinan desain yang kemudian dapat disaring dan diuji oleh peneliti.

Namun, penelitian Stanford juga memperlihatkan bahwa AI belum menggantikan eksperimen laboratorium. Ribuan desain yang dihasilkan model tetap harus melalui proses evaluasi sebelum peneliti mengetahui mana yang benar-benar berfungsi.

Evo 2 Akan Diuji pada DNA yang Lebih Kompleks

Stanford menyebut tahap berikutnya adalah memperluas kemampuan Evo 2 untuk menangani rangkaian DNA yang lebih panjang dan kompleks. Hie bersama peneliti dari Stanford dan institusi lain juga tengah mengembangkan rancangan bakteriofag tambahan. Jika kemampuan model semakin berkembang, ruang biologis yang dapat dieksplorasi juga akan semakin luas.

Genom bakteri berukuran kecil bahkan berpotensi menjadi salah satu sasaran berikutnya. Menurut Stanford, teknologi tersebut dapat digunakan untuk merancang mikroba yang direkayasa agar menghasilkan berbagai produk, mulai dari bahan kimia hingga obat-obatan dan bahan bakar.

Meski demikian, masih ada tantangan besar yang harus diatasi. Hie mengatakan dua pertanyaan utama yang masih terbuka adalah bagaimana mendapatkan keragaman genetik yang lebih tinggi dan bagaimana meningkatkan kemampuan untuk mengendalikan hasil yang dihasilkan model.

Pada akhirnya, penelitian Stanford menunjukkan bahwa perkembangan AI telah memasuki tahap baru. Model generatif kini tidak hanya digunakan untuk menghasilkan konten digital, tetapi juga mulai membantu manusia mengeksplorasi dunia biologis pada tingkat DNA.

Evo 2 menjadi contoh bagaimana AI dapat digunakan untuk menghasilkan dan mengevaluasi berbagai kemungkinan desain genom, sementara eksperimen laboratorium tetap menjadi penentu apakah rancangan tersebut benar-benar dapat berfungsi.

Jika pendekatan ini terus berkembang, AI berpotensi menjadi alat baru bagi para ilmuwan untuk mempercepat pencarian solusi terhadap bakteri resistan. Namun, seiring meningkatnya kemampuan teknologi dalam merancang materi biologis, aspek keamanan, pengawasan, dan penggunaan yang bertanggung jawab juga akan menjadi semakin penting.