Kerangka kerja pembelajaran mesin baru yang disebut MULTI-evolve secara dramatis mempercepat proses perancangan protein berkinerja tinggi, sehingga menghilangkan kebutuhan akan eksperimen coba-coba yang tak terhitung jumlahnya. Terobosan ini menjanjikan percepatan kemajuan di bidang kedokteran, biofuel, dan berbagai aplikasi industri.
Tantangan Desain Protein
Protein sangat penting dalam banyak teknologi modern—mulai dari obat-obatan yang menyelamatkan jiwa hingga enzim yang lebih efisien dalam deterjen. Meningkatkan kinerja protein sering kali memerlukan beberapa perubahan terkoordinasi pada urutan asam aminonya. Namun, menukar satu asam amino dapat memengaruhi pengaruh pertukaran di masa mendatang terhadap fungsi protein, sehingga menciptakan masalah pencarian kompleks yang biasanya memerlukan banyak pengujian laboratorium berulang-ulang. Seperti yang dicatat oleh bioengineer Patrick Hsu, proses ini secara historis bersifat “menebak dan memeriksa.”
Cara Kerja MULTI-evolve
MULTI-evolve mengatasi tantangan ini dengan mengintegrasikan pembelajaran mesin dengan eksperimen laboratorium yang ditargetkan. Prosesnya melibatkan tiga langkah utama:
- Memprediksi Mutasi Tunggal: Sistem ini menggunakan data atau model pembelajaran mesin yang ada untuk memperkirakan pengaruh perubahan asam amino terhadap fungsi protein.
- Memetakan Interaksi: Para peneliti membuat dan menguji protein dengan mutasi berpasangan untuk menentukan bagaimana perubahan tersebut berinteraksi. Hal ini menghasilkan data penting mengenai efek gabungan.
- Melatih Model: Hasil laboratorium dimasukkan ke dalam model pembelajaran mesin, yang kemudian memprediksi performa protein dengan lima mutasi atau lebih dalam satu putaran.
Performa Dunia Nyata
Tim di Universitas California, Berkeley, dan Arc Institute menguji MULTI-evolve pada tiga protein, termasuk antibodi untuk penyakit autoimun dan protein yang digunakan dalam pengeditan gen CRISPR. Dalam semua kasus, model ini mengidentifikasi kombinasi mutasi yang secara signifikan mengungguli protein asli dalam uji laboratorium. Hal ini menegaskan bahwa sistem dapat memilih pertukaran yang efektif dengan andal.
Implikasi dan Penerapan di Masa Depan
MULTI-evolve mempunyai potensi untuk merevolusi cara rekayasa protein. Hsu menyoroti dua penerapan yang menjanjikan: melacak pergerakan protein di dalam sel dan mengembangkan terapi gen yang lebih efektif untuk defisiensi enzim. Alat ini diharapkan dapat mengubah cara para ilmuwan mendekati desain protein, menjadikan prosesnya lebih cepat, lebih tepat, dan pada akhirnya, lebih produktif.
“Kami sangat gembira dengan pekerjaan ini,” kata Hsu. “Saya pikir ada ketertarikan yang sangat besar terhadap bagaimana hal ini benar-benar mengubah praktik sains.”
Kerangka kerja pembelajaran mesin baru ini mewakili langkah maju yang besar dalam bioteknologi, menawarkan cara yang lebih efisien dan akurat dalam merancang protein untuk berbagai aplikasi penting.
