- Antibiotik baru sedang dikembangkan untuk mengobati IBD (penyakit radang usus)
- Teknologi AI berkontribusi dengan memprediksi cara kerja antibiotik tersebut
- Dibandingkan terapi yang ada, pendekatan ini memanfaatkan mekanisme baru dan menunjukkan potensi untuk mengatasi resistansi
- Berdasarkan keberhasilan eksperimental, muncul ekspektasi terhadap penerapan klinis lanjutan
- Pemanfaatan AI dalam proses perancangan dan validasi obat menjadi tren yang kian penting
Ikhtisar
- Baru-baru ini, antibiotik baru untuk pengobatan penyakit radang usus (IBD) menjadi sorotan dalam penelitian
- Kecerdasan buatan (AI) memprediksi mekanisme kerja antibiotik ini, sehingga mendorong inovasi dalam proses pengembangan obat tradisional
- Dengan memahami resistansi dan keterbatasan yang dimiliki terapi yang ada, penelitian ini menunjukkan kemungkinan untuk mengatasinya melalui mekanisme baru
- Tim peneliti mengonfirmasi efek yang bermakna pada tahap awal seperti uji hewan, dan menargetkan penerapan klinis di masa depan
- Pengembangan obat berbasis AI semakin penting di industri farmasi karena keunggulannya dalam prediksi mekanisme kerja, efisiensi, dan pengurangan biaya
1 komentar
Komentar Hacker News
Ini tautan ke riset asli di Nature Microbiology di sini. Ada bagian menarik yang ingin saya bagikan. Menurut siaran pers universitas, selama ini AI digunakan sebagai alat untuk memprediksi molekul yang berpotensi terapeutik, tetapi dalam studi ini AI dipakai untuk mengungkap ‘mekanisme kerja (MOA)’, yaitu bagaimana obat menyerang penyakit. Riset MOA sangat penting dalam pengembangan obat. Ini membantu ilmuwan memeriksa keamanan, mengoptimalkan dosis, meningkatkan efikasi, dan kadang bahkan menemukan target terapi baru. Regulator juga bisa memakai riset ini untuk menilai apakah obat baru tersebut layak digunakan pada manusia. Sebelumnya, riset MOA biasanya memakan waktu 2 tahun dan biaya sekitar 2 juta dolar, tetapi kali ini dengan AI selesai dalam 6 bulan dengan biaya 60 ribu dolar. Setelah menemukan antibiotik baru, Stokes berkolaborasi dengan rekan-rekan di MIT CSAIL untuk melihat apakah platform machine learning terbaru bisa mempercepat riset MOA. Prediksi keluar hanya dalam 100 detik, dan mereka memastikan bahwa obat baru itu menyerang LolCDE, kompleks mikroprotein yang penting bagi kelangsungan hidup bakteri. Profesor Regina Barzilay dari MIT (pengembang DiffDock) menjelaskan, “Dalam kasus ini kami menunjukkan bahwa AI bisa melampaui sekadar pencarian molekul, dan juga memberi penjelasan mekanisme yang penting bagi seluruh proses pengembangan.”
Setelah laboratorium menemukan antibiotik baru, proses Stokes berkolaborasi dengan rekan-rekan di MIT CSAIL terasa sangat keren. Kalau berada di universitas, kita bisa dengan mudah bertemu berbagai pakar di dalam kampus, dan itu menciptakan lingkungan fantastis untuk menyelesaikan masalah yang kita minati dengan memanfaatkan kekuatan bidang paling mutakhir.
Saya penasaran apakah DiffDock itu model bahasa besar (LLM). Masyarakat umum saat mendengar AI langsung terpikir LLM seperti ChatGPT, dan OpenAI juga bilang mereka sedang membuat “mesin yang berpikir”, ditambah judul artikel menulis “memprediksi”, jadi makin membingungkan.
Saya penasaran apakah ada versi pre-print. Saya sudah tidak lagi terafiliasi dengan universitas, jadi sayang sekali sekarang bukan lagi zaman seseorang mengunggah makalah semalaman seperti dulu.
Rasanya ada yang janggal. Bahwa LolCDE adalah titik lemah E. coli sudah diketahui sejak sebelum 2016, dan inhibitor seperti globomycin juga sudah dikenal sejak 1978 referensi1 referensi2. Jadi saya bertanya-tanya apakah enterololin cuma varian baru dari globomycin. Saya tidak tahu apakah AI yang makin pintar, atau ilmuwannya yang makin tumpul.
Fakta bahwa riset MOA yang biasanya butuh 2 tahun dan 2 juta dolar kali ini selesai dalam 6 bulan dan 60 ribu dolar dengan AI itu benar-benar indah. Ini bukan lagi sekadar autocomplete kode atau pembuatan gambar, melainkan salah satu nilai nyata AI/machine learning yang akhirnya terlihat jelas. Saya sangat antusias melihat bagaimana bidang ini berkembang dalam 10 tahun ke depan. Saya ingin terus mengikuti penghematan biaya dan percepatan uji klinis melalui prediksi mekanisme seperti ini, sebagaimana AlphaFold pada protein folding.
Artikel ini terasa memperkuat sudut pandang bahwa ‘AI menggantikan pekerjaan peneliti’, tetapi sebenarnya sangat mirip dengan bagaimana saya memakai alat AI di tempat kerja. Stokes menekankan bahwa hasil prediksi memang menarik, tetapi tetap hanya prediksi, dan riset MOA eksperimental (tradisional) tetap harus dilakukan. Fakta bahwa AI ‘mungkin benar’ menghemat waktu kita dalam memikirkan langkah berikutnya. Jadi mereka memulai eksperimen berdasarkan prediksi MIT, dan beberapa bulan kemudian prediksi AI terbukti benar. Pada akhirnya mereka memverifikasi bahwa prediksi itu tepat lewat eksperimen MOA standar, dan dengan cara ini mereka menghemat 1,5 tahun dibanding proses normal.
Saya merasa istilah AI sekarang sudah jadi konsep yang sulit dipahami. Publik menganggap AI=ChatGPT, jadi mereka membayangkan “ChatGPT menemukan obat baru”. Padahal dalam riset nyata, selain transformer (LLM), berbagai alat ML lain juga digunakan secara luas, dan kebanyakan sama sekali tidak ada hubungannya dengan LLM atau ChatGPT.
Saya juga setuju. Saya tidak tahu apakah kamu langsung memakai LLM, atau memakai alat ML/deep learning yang sesuai bidangmu. Selama setahun terakhir, saya merasa sebagian besar kisah sukses LLM justru datang dari fakta bahwa alat seperti ini jauh lebih membantu bagi para ahli di “garis depan”—orang yang memang sudah membaca semua makalah terdepan di bidang itu. Keluhan soal “halusinasi” menurut saya lebih banyak muncul dari pengalaman non-ahli yang tidak punya tempat lain untuk bersandar atau mencari informasi tambahan, bukan dari orang-orang yang benar-benar berada di ujung arus perkembangan. Justru saya merasa LLM sangat efektif dalam menghubungkan bidang yang saya minati dengan bidang tetangga yang sama sekali belum saya kenal, lalu memberi hipotesis atau petunjuk. Pada akhirnya, eksperimen atau verifikasi tetap harus dilakukan sendiri oleh peneliti, dan kadang kalau saya belum yakin dengan kesimpulan saya, saya memasukkan data saya ke LLM untuk menguji apakah ia sampai pada kesimpulan yang sama. Saya sama sekali tidak khawatir soal halusinasi. Tanggung jawab atas kesalahan tetap ada pada saya. Dan di garis depan pengetahuan, saran yang aneh sekalipun bisa mengarah ke ide segar. Sekarang hampir tidak pernah lagi saya buntu berhari-hari, berminggu-minggu, atau berbulan-bulan hanya karena tidak tahu harus mencari informasi dari mana. Dulu Palantir pernah menulis postingan turnamen catur tentang pentingnya ‘workflow’ kolaborasi manusia/komputer, dan akhirnya yang menang justru amatir + workflow terbaik; sekarang rasanya kita hidup di masyarakat di mana alat-alat baru semakin memberdayakan para ahli tautan
Dalam studi ini, yang ditemukan oleh AI dan para peneliti bukanlah terapi untuk IBD itu sendiri. Sebaliknya, pasien IBD atau mereka yang mendapat terapi antibiotik spektrum luas sering mengalami pertumbuhan berlebih spesies enterobacter di usus (termasuk sebagian E. coli). Bakteri-bakteri ini resisten terhadap antibiotik yang ada dan buruk bagi kesehatan usus. Para peneliti menemukan senyawa baru yang secara selektif menekan enterobacter ini saja, sementara mikrobioma secara keseluruhan tetap dibiarkan utuh. Ini bisa membantu orang yang menderita ketidakseimbangan bakteri usus—terutama pasien IBD—untuk mendapatkan kembali lingkungan usus yang lebih sehat. Namun, ini masih tahap eksperimen pada tikus.
Sudah lama ada hipotesis bahwa jika keseimbangan mikrobioma pada pasien IBD bisa benar-benar dipulihkan, siklus penyakitnya bisa terputus dan masuk ke fase remisi (meski ini belum terbukti secara resmi).
Menurut artikel tersebut, “Obat baru ini bisa menjadi terapi yang sangat menjanjikan bagi jutaan pasien IBD. Saat ini belum ada cara untuk menyembuhkan, jadi obat ini berpotensi meredakan gejala secara bermakna dan meningkatkan kualitas hidup.”
Saya penasaran apakah sudah terbukti kuat bahwa IBD disebabkan oleh E. coli. Atau jangan-jangan masalahnya adalah tubuh bereaksi sensitif terhadap E. coli.
Itu masih belum pasti. Faktor genetik dan bakteri (mikroba) tampaknya bekerja bersama. Situasinya cukup rumit. Soalnya kita tidak bisa hanya melihat jaringan kultur (atau biopsi) dari kulit yang meradang lalu berkata, ‘oh, ini dia penyebabnya!’ Bahkan terapi yang paling efektif pun pada akhirnya tetap berupa strategi memblokir sebagian sistem imun, dan kenyataannya untuk sebagian pasien kita mencoba berbagai imunosupresan lalu mencampurnya agar kondisinya kurang lebih terkendali.
Bukan penyebab langsung, karena kita semua memiliki E. coli. Artikelnya memang agak membingungkan, tetapi yang ditemukan kali ini punya spektrum yang lebih sempit daripada yang sudah ada, jadi lebih sedikit merusak lapisan bakteri alami tubuh. Sebaliknya, enterobacter yang resisten (spesies utamanya E. coli, tapi bukan semuanya) bisa lebih mudah tumbuh berlebihan. Ada korelasi antara IBD dan mikrobioma dengan pertumbuhan berlebih E. coli. Subtipe E. coli yang relevan juga sudah ditemukan referensi
Tepatnya, E. coli tidak menyebabkan IBD secara langsung, tetapi E. coli dan Enterobacteriaceae lain memang bisa memanfaatkan peradangan untuk berkembang biak. Peradangan menyebabkan pelepasan nitrat, dan Enterobacteriaceae memakai ini sebagai akseptor elektron terminal untuk berkembang biak. Selain itu, ketika lapisan mukus pelindung menipis atau berlubang-lubang (sering kali akibat mikrobioma yang rusak), mereka lebih mudah menembus dan berkembang. Pertumbuhan bakteri seperti ini justru memicu peradangan dan membuat remisi menjadi sulit. Belakangan ini juga ada beberapa hasil klinis yang menunjukkan pengurangan peradangan dengan memblokir faktor yang dipakai E. coli untuk menempel pada mukosa.
Saya tidak begitu mengerti kenapa kredit GPU tidak langsung diberikan saja kepada para peneliti. Tanpa proses hukum yang merepotkan, tinggal buat akun dengan alamat email mereka di penyedia seperti runpod/prime-intelect atau penyedia x-gpu, lalu isi saldo 5 ribu dolar. Untuk memilah siapa yang benar-benar layak menerima, riwayat Github dan Huggingface seharusnya sudah cukup.
Soal poin “kita tidak bisa menganggap model AI selalu benar”, saya bertanya-tanya kenapa kita harus berangkat dari asumsi seperti itu. Dan tampaknya kemungkinan bahwa AI “bisa jadi benar” memang mengurangi trial-and-error pada tahap berikutnya. Tetapi saya juga bertanya-tanya apakah ini cuma confirmation bias. Misalnya, dari 100 kasus, AI ditanya “bagaimana ini bekerja?” lalu 99 kali jawabannya omong kosong atau terlihat meyakinkan tapi salah, dan kita hanya membaca 1 kasus yang kebetulan benar di artikel. Hanya karena yang itu cocok di laboratorium, apakah berarti AI benar-benar menghemat waktu? Jam rusak pun benar dua kali sehari. Kita tidak bisa bilang “jam rusak, tapi kalau benar hasilnya luar biasa!” Seolah-olah yang kita lihat bukan “AI produktif”, melainkan sekadar contoh yang beruntung. Kalau memang bidang ini sudah berkembang, menurut saya harus ada keterbukaan atau pengakuan data kegagalan juga. Kalau tidak, yang dibesarkan cuma hype.
Pada kenyataannya, para peneliti tetap menggunakan metodologi ilmiah. Yang diberikan AI adalah hipotesis untuk diuji. Dalam hal itu, AI sangat kuat untuk ‘brainstorming hipotesis yang meyakinkan’.
Pakar manusia pun sering salah di garis depan riset mutakhir. Sebagian besar hipotesis atau eksperimen memang berakhir gagal. Namun kita memuji peneliti saat mereka membuat terobosan bukan karena mereka 100% berhasil, melainkan karena mereka bisa benar lebih cepat dan dengan probabilitas lebih tinggi daripada acak. Jika dengan AI tingkat keberhasilan dari 1/99 kasus naik menjadi 2/99 atau 3/99, itu berarti efisiensinya naik dua sampai tiga kali lipat. Dan jika AI bisa menguji semua intuisi ini dalam 100 detik, kemajuannya bisa jauh lebih cepat daripada manusia.
Sejauh yang saya pahami, studi ini bukan terapi untuk IBD, melainkan antibiotik yang lebih aman bagi pasien IBD.
McMaster University mungkin terdengar seperti lelucon, tetapi itu universitas sungguhan yang didirikan pada 1887 [lihat Wiki]
Itu salah satu universitas papan atas di Kanada. Menurut saya, untuk riset medis mungkin yang terbaik di Kanada referensi
Di London juga ada tempat bernama Goodenough College yang beroperasi sejak 1930, dan berlawanan dengan arti namanya, tempat itu benar-benar dikelola dengan baik.
Machine learning sudah dipakai dalam riset ilmiah lebih dari 10 tahun. Jadi saya penasaran apa yang sebenarnya berbeda kali ini. Kalau media umum memakai istilah sembarangan sih sudah biasa, tapi saya tidak mengerti kenapa NATURE memakai kata ‘kecerdasan buatan’.