(Sumber: https://deepmind.google/science/alphafold/)

Ternyata ada loh satu persoalan dalam dunia biologi yang selama lebih dari 50 tahun menjadi tantangan bagi para ilmuwan, terus mendapat terobosan luar biasa oleh AI sampai akhirnya dapet Hadiah Nobel. Kedengarannya kayak fantasi ya, tapi ini beneran terjadi. Namanya AlphaFold, sistem AI dari Google DeepMind yang membuat kemajuan besar dalam menjawab salah satu pertanyaan terbesar di biologi: gimana caranya memprediksi bentuk 3D protein dari urutan asam aminonya? Yuk kita bahas!

Protein Folding Problem

Protein adalah molekuler penting yang menjalankan hampir semua fungsi dalam tubuh makhluk hidup. Tiap protein tersusun dari untaian asam amino yang panjang dan lurus, kemudian melipat dirinya menjadi bentuk 3D yang spesifik dan kompleks. Bentuk 3D itulah yang sangat menentukan fungsi protein. Salah lipat sedikit, fungsinya bisa berubah total atau bahkan menyebabkan penyakit.

Masalahnya, memprediksi bentuk 3D ini cuma dari urutan asam aminonya ternyata luar biasa sulit. Jumlah kemungkinan cara sebuah protein melipat itu tidak praktis. Selama puluhan tahun, problem ini dikenal sebagai protein folding problem, yaitu salah satu tantangan terbuka terbesar di biologi sejak 1970-an. Sebelum adanya metode prediksi berbasis AI, peneliti banyak mengandalkan eksperimen seperti kristalografi sinar-X atau cryo–electron microscopy (cyro-EM) untuk menemukan struktur protein. Sayangnya, prosesnya butuh waktu, biaya, dan usaha yang besar.

AlphaFold

Di sinilah AI mengubah segalanya. AlphaFold, dikembangkan oleh tim Google DeepMind, mendemonstrasikan kemampuannya yang menggemparkan di ajang The 14th Critical Assessment of Techniques for Protein Structure Prediction atau CASP14 (2020), yaitu sebuah kompetisi bergengsi untuk menguji metode prediksi struktur protein. AlphaFold2 berhasil memprediksi struktur banyak protein dengan tingkat akurasi yang mendekati hasil eksperimen, sesuatu yang sebelumnya dianggap nyaris mustahil dilakukan komputer.

Pencapaian ini begitu monumental sampai para tokoh di baliknya, Demis Hassabis dan John Jumper dari DeepMind, bersama David Baker dianugerahi Hadiah Nobel Kimia 2024, atas kontribusi mereka dalam prediksi dan desain protein. Sebuah pengakuan langka untuk karya yang berakar pada deep learning.

(Sumber: https://www.nature.com/articles/s41586-021-03819-2/figures/1)

How AlphaFold Works?

AlphaFold adalah model berbasis deep learning yang memprediksi struktur 3D protein dari urutan asam aminonya. Beberapa konsep penting di balik cara kerjanya yaitu:

  • Multiple Sequence Alignment (MSA): AlphaFold membandingkan urutan protein target dengan banyak protein homolog dari berbagai organisme. Pola perubahan dan konservasi asam amino dapat memberikan petunjuk mengenai hubungan evolusioner serta kemungkinan interaksi antarbagian protein.
  • Memprediksi kontak antar residu: Informasi dari MSA membantu model memperkirakan hubungan spasial antara pasangan asam amino. Informasi ini kemudian digunakan bersama representasi struktur lainnya untuk membangun prediksi bentuk 3D protein.
  • Arsitektur attention: AlphaFold2 menggunakan arsitektur Evoformer dan Structure Module. Mekanisme attention membantu model mengolah informasi hubungan antarresidu dan antarbagian protein secara bersamaan, sehingga dapat menghasilkan prediksi struktur yang konsisten dengan informasi yang dipelajarinya.
  • Skor kepercayaan dengan Predicted Local Distance Difference Test (pLDDT): AlphaFold menyediakan skor kepercayaan lokal untuk setiap residu protein, dengan rentang 0 hingga 100. Skor ini membantu peneliti mengetahui bagian struktur mana yang diprediksi dengan tingkat keyakinan tinggi atau rendah. Namun, skor tinggi bukan jaminan bahwa seluruh struktur atau interaksi biologisnya pasti benar.

Why It Matters

AlphaFold bukan cuma prestasi akademis, dampaknya nyata dan masif dalam penelitian biologi dan biomedis. Salah satu kontribusi besarnya adalah AlphaFold Protein Structure Database, yang dikembangkan bersama EMBL-EBI. Database ini menyediakan prediksi struktur untuk lebih dari 200 juta protein dan dapat diakses secara gratis oleh peneliti di seluruh dunia.

Manfaatnya menjalar ke banyak bidang, dari penelitian penyakit, penemuan obat (memahami target obat jadi jauh lebih cepat), hingga desain protein baru. Informasi struktur yang sebelumnya sulit diperoleh kini dapat tersedia jauh lebih cepat melalui prediksi komputasional. Hal ini membantu peneliti menentukan arah eksperimen berikutnya dengan lebih efisien.

Perkembangannya tidak berhenti di situ. AlphaFold3 memperluas kemampuan prediksi dengan memodelkan interaksi protein bersama biomolekul lain, seperti DNA, RNA, dan berbagai molekul kecil. Kemampuan ini membuka peluang baru untuk mempelajari interaksi molekuler yang penting dalam proses biologis.

Meski begitu, AlphaFold tetap memiliki keterbatasan. Model ini tidak selalu dapat menggambarkan seluruh dinamika protein, terutama pada bagian yang fleksibel atau struktur yang berubah-ubah. Prediksi komputasional juga tidak sepenuhnya menggantikan eksperimen. Hasilnya tetap perlu ditafsirkan dengan hati-hati dan divalidasi sesuai kebutuhan penelitian.

Penutup

AlphaFold adalah salah satu contoh spektakuler bagaimana AI dapat menjawab persoalan di dunia sains. Melalui deep learning dan informasi evolusioner, para peneliti kini memiliki cara yang jauh lebih cepat untuk memprediksi struktur protein dari urutan asam aminonya. Buat anak computer science, ini bukti nyata bahwa algoritma yang kita pelajari bisa berdampak langsung pada bidang lain, termasuk kesehatan dan biologi. AlphaFold juga menunjukkan bahwa kolaborasi antara ilmu komputer dan ilmu alam dapat membuka peluang penemuan yang sebelumnya sulit dibayangkan.

Penulis
Felicia Natania Lingga, S.Kom. — FDP Scholar

Referensi

Jumper, J., dkk. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589. https://doi.org/10.1038/s41586-021-03819-2

The Royal Swedish Academy of Sciences. The Nobel Prize in Chemistry 2024. https://www.nobelprize.org/prizes/chemistry/2024/

Varadi, M., et al. (2022). AlphaFold Protein Structure Database: massively expanding the structural coverage of protein-sequence space with high-accuracy models. Nucleic Acids Research, 50(D1), D439–D444. https://doi.org/10.1093/nar/gkab1061

MBL-EBI. (n.d.). AlphaFold Protein Structure Database: Frequently Asked Questions. https://alphafold.ebi.ac.uk/faq

Abramson, J., et al. (2024). Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 630, 493–500. https://doi.org/10.1038/s41586-024-07487-w

Google DeepMind. (n.d.). AlphaFold. https://deepmind.google/science/alphafold/