AI Mempercepat Penemuan Obat: Kasus MIT Lawan Bakteri Resisten

Kenapa Penemuan Antibiotik Baru Penting

Bakteri yang kebal terhadap obat (resisten) makin jadi masalah global. Beberapa penyakit yang dulu mudah diobati seperti gonore dan infeksi kulit bisa sangat berbahaya kalau obatnya tidak efektif lagi. Secara global, diperkirakan hampir 5 juta kematian per tahun terkait infeksi bakteri resisten.

Pada umumnya, penelitian antibiotik adalah proses panjang, dimulai dari screening ribuan senyawa yang sudah ada, pengujian di laboratorium, lalu pengembangan di klinik. Ini mahal, lama, dan sering terbentur bahwa banyak senyawa yang terlalu mirip obat lama atau punya efek samping tinggi

Source: Unsplash

Generative AI ala MIT: Cara Baru, Cepat

MIT melalui Antibiotics‑AI Project menggunakan teknik generative AI untuk mendesain senyawa obat dari nol, bukan hanya memilih dari senyawa yang sudah ada. Beberapa poin kunci penelitian ini antara lain :

Mereka menghasilkan >36 juta senyawa teoretis dan menyaringnya secara komputasi untuk sifat antibakteri.
Dari banyak kandidat, beberapa berhasil disintesis dan diuji secara laboratorium dan pada model tikus. Dua senyawa penting adalah NG1, efektif terhadap Neisseria gonorrhoeae, dan DN1, yang berhasil membersihkan infeksi MRSA pada kulit tikus.
Mekanisme aksi mereka unik, bukan hanya menarget protein bakteri seperti obat lama, tetapi merusak membran sel bakteri (outer membrane), sehingga bakteri sulit mengembangkan resistensi cepat terhadapnya

Source: Unsplash

Keuntungan AI Dibanding Metode Tradisional

Skalabilitas & Kecepatan: AI bisa melihat jutaan bahkan puluhan juta kemungkinan struktur molekul secara virtual, menyaringnya secara otomatis sebelum eksperimen laboratorium, sehingga menghemat waktu dan biaya eksplorasi.
Eksplorasi area riset baru: Banyak senyawa yang dihasilkan tidak ada di perpustakaan obat yang sudah ada, sehingga membuka kemungkinan mekanisme baru yang belum pernah ditemukan.
Efisiensi dalam pengujian awal: Dengan filtering komputasi, AI bisa menyingkirkan kandidat berpotensi toxic atau yang terlalu mirip obat lama sehingga kemungkinan resistensi sudah ada, ini menghemat eksperimen yang sia-sia.

Contoh Penerapan & Inspirasinya

Untuk membuatnya lebih nyata:

Bayangkan kamu mahasiswa farmasi atau bioteknologi yang punya akses ke dataset kecil senyawa lokal. Dengan AI, kamu bisa eksperimen desain molekul baru yang mungkin cocok untuk bakteri lokalmu, tanpa harus beli seluruh perpustakaan obat internasional.
Misalnya, jika di daerahmu banyak MRSA yang resisten terhadap beberapa antibiotik standar, kamu bisa menggunakan AI untuk mendesain molekul yang menarget membran bakteri secara spesifik, kemudian uji di lab kecil di kampus. Ini bukan hanya teoritis, tapi bisa mulai dari penelitian tugas akhir.

Peluang Riset & Karir di Kampus

Topik bagus untuk skripsi / tesis: AI‑guided drug discovery, desain molekul menggunakan generative models, filtering toksisitas, atau optimasi sintesis senyawa lokal.
Kolaborasi jurusan: Ilmu Komputer (machine learning), Kimia / Biokimia, Biologi Molekuler, dan Ilmu Kesehatan. Kombinasi ini bisa menghasilkan riset interdisipliner yang kuat.
Fasilitas lab / dana penelitian bisa diarahkan untuk pembelian hardware komputasi (GPU), lisensi software drug design, atau akses ke database molekul besar (kemiripan senyawa, properti kimia).

Catatan & Tantangan

Meskipun AI mempercepat banyak langkah, tahap sintesis kimia dan uji klinis tetap memakan waktu lama dan mahal.
Prediksi komputasi tidak selalu mencerminkan hasil nyata karena kondisi laboratorium berbeda, manusia/organisme punya variabilitas besar.
Etika dan regulasi: penggunaan molekul baru harus aman; pengujian toksisitas, efek samping, dan dampak jangka panjang harus diteliti.

Kesimpulan

Penemuan obat dengan bantuan AI seperti yang dilakukan MIT adalah terobosan penting, yang memperlihatkan bahwa algoritma generatif bisa membuka jalan untuk antibiotik baru yang efektif melawan bakteri resisten seperti MRSA dan Neisseria gonorrhoeae. Ini bukan hanya soal lebih cepat, tapi bisa menjangkau apa yang sebelumnya tak mungkin dilalui.

Penulis

Stefanus Benhard S.Kom., M.Kom (FDP Scholar)

Referensi

Last updated : October 06, 2025 21:23