Model AI MIT Mampu Memetakan Komunikasi Antarsel untuk Mendukung Penelitian Rekayasa Jaringan
Para peneliti Massachusetts Institute of Technology (MIT) mengembangkan model kecerdasan buatan bernama IRIS yang mampu mengidentifikasi pola komunikasi antarsel berdasarkan aktivitas gen. Penelitian yang dipublikasikan dalam jurnal Nature Methods pada 8 September 2026 dan diperkenalkan melalui MIT News pada 15 Oktober 2026 ini membuka pendekatan baru dalam memahami pembentukan jaringan tubuh. Melalui teknologi machine learning, IRIS dapat memperkirakan jalur sinyal yang pernah diterima sel selama perkembangan embrio. Kemampuan tersebut berpotensi membantu penelitian sel punca, pengembangan organoid, serta rekayasa jaringan untuk mempelajari penyakit dan merancang metode pengobatan regeneratif.
Teknologi IRIS Membantu Ilmuwan Memahami Pembentukan Jaringan Tubuh
Perkembangan metode komputasi biologis terus membuka peluang baru bagi penelitian biologi sel. Dalam penelitian perkembangan embrio, ilmuwan menghadapi tantangan besar ketika mempelajari komunikasi antarsel. Masing-masing sel tubuh selalu berinteraksi dengan lingkungannya. Melalui berbagai molekul sinyal, sel menerima informasi mengenai lingkungan. Pesan biologis ini memengaruhi pembentukan berbagai jenis jaringan. Untuk memahami proses itu, peneliti MIT menciptakan model AI IRIS yang digunakan untuk menganalisis pola respons genetik.
Penelitian tersebut dikoordinasikan oleh Pulin Li, anggota fakultas biologi Massachusetts Institute of Technology yang juga tergabung dalam Whitehead Institute for Biomedical Research. Peneliti muda Nicholas Hutchins berkontribusi terhadap perancangan pendekatan tersebut. Sistem kecerdasan buatan ini memanfaatkan arsitektur pembelajaran mesin untuk mempelajari pola ekspresi gen. Berbeda dari metode yang meneliti setiap kombinasi sel secara terpisah, IRIS memungkinkan analisis lintas jenis sel. Melalui kemampuan tersebut, analisis komunikasi antarsel menjadi lebih terarah.
Cara Kerja Model AI IRIS dalam Mengidentifikasi Jalur Sinyal Sel
Sebagai dasar memahami penelitian ini, perlu memahami prinsip pertukaran sinyal biologis. Sel tubuh memanfaatkan senyawa pemberi sinyal yang ditangkap melalui sistem penerima biologis. Ketika sinyal diterima, aktivitas molekuler tertentu dapat dimulai. Proses tersebut disebut jalur pensinyalan sel. Perubahan pada proses pensinyalan dapat mengubah ekspresi gen. Akibatnya, sel memperoleh karakteristik biologis tertentu sesuai konteks perkembangan tubuh.
Hasil penelitian menunjukkan bahwa setiap jalur pensinyalan meninggalkan pola aktivitas gen yang khas. Jejak molekuler tersebut disebut sebagai fingerprint jalur sinyal. Yang menarik, fingerprint suatu jalur relatif konsisten pada berbagai jenis sel. Melalui karakteristik yang dapat dikenali, IRIS mampu mengidentifikasi riwayat aktivasi jalur biologis. Walaupun pendekatan tersebut menjanjikan, model tidak merekam percakapan sel secara langsung. Karena itu, kesimpulan perlu didukung pengujian laboratorium.
Transfer Learning Memungkinkan IRIS Mengenali Sinyal pada Jenis Sel Baru
Fitur yang membuat pendekatan tersebut menarik adalah penerapan teknik transfer pengetahuan. Dalam teknologi kecerdasan buatan, transfer learning membantu model menerapkan pola yang dipelajari pada data baru. Pada penelitian IRIS, model dilatih menggunakan respons sel punca embrionik manusia. Dataset tersebut mencakup ribuan sel yang diberikan sejumlah perlakuan sinyal. Melalui rancangan tersebut, IRIS berpotensi memperkirakan sinyal di luar jenis sel pelatihan.
Dalam proses pelatihan, tim mengukur respons terhadap kombinasi enam jalur sinyal pada berbagai tahap perkembangan. Respons yang muncul menjadi dasar pemetaan respons sel. Ketika proses pembelajaran selesai, peneliti mengevaluasi kemampuan model pada perkembangan embrio hewan. Dalam evaluasi ini, IRIS menunjukkan kemampuan generalisasi ke jenis sel berbeda. Hasil pengujian ini membuka peluang pemetaan jaringan biologis lebih luas, karena ilmuwan tidak harus melatih model terpisah untuk setiap jenis sel.
Pemanfaatan Data Sel Tunggal untuk Memahami Diferensiasi Embrionik
Pengujian utama setelah pelatihan dilakukan menggunakan data sel tunggal dari embrio tikus. Pengujian diarahkan pada fase gastrulasi, yaitu fase penting ketika jaringan embrionik mengalami spesialisasi. Selama proses gastrulasi, jaringan embrio merespons beragam sinyal yang membantu menentukan identitas akhirnya. Dengan analisis berbasis model AI, peneliti menelusuri pola pensinyalan sepanjang perkembangan. Pendekatan analisis tersebut mendukung penelitian hubungan sinyal dengan pembentukan organ.
Pendekatan analisis baru tersebut dapat memprediksi aktivitas pensinyalan pada garis keturunan sel jantung, jaringan usus, otot, dan jaringan spinal cord. Keberhasilan prediksi tersebut menunjukkan hubungan aktivasi jalur dengan posisi sel. Sebagai contoh, sel yang berasal dari embrio sama dapat berkembang menjadi jaringan berbeda karena menerima kombinasi sinyal berbeda. Dengan demikian, IRIS membantu menjelaskan proses spesialisasi sel, tetapi tetap membutuhkan pembuktian pada sistem biologis.
Model Komunikasi Antarsel Membantu Ilmuwan Membuat Jaringan Laboratorium
Potensi utama pendekatan kecerdasan buatan ini berada pada penelitian tissue engineering. Pada penelitian biomedis modern, ilmuwan mengembangkan metode diferensiasi sel secara terkendali. Namun demikian, proses pembentukan struktur biologis memerlukan kondisi khusus. Dalam setiap fase perkembangan, sel dapat merespons rangsangan biologis tertentu. Dengan informasi riwayat sinyal dari model, peneliti memiliki dasar untuk merancang eksperimen baru. Melalui pendekatan tersebut, eksperimen dapat dirancang menggunakan informasi lebih lengkap.
Pengembangan IRIS berpeluang mendukung penelitian model organ tiga dimensi. Organoid merupakan kumpulan sel laboratorium yang menyerupai aspek organ asli. Pada pengujian obat, organoid memberikan sarana mempelajari mekanisme seluler. Tim MIT menggunakan IRIS untuk memperkirakan jalur yang mendukung perkembangan jenis sel paru tertentu. Prediksi model kemudian diuji melalui eksperimen pada embrio tikus. Berdasarkan eksperimen lanjutan, temuan laboratorium menguatkan prediksi IRIS. Keberhasilan validasi itu mendukung penelitian jaringan pernapasan untuk mengevaluasi terapi pada model biologis.
Masa Depan Teknologi IRIS untuk Penelitian Jaringan Manusia
Penelitian kecerdasan buatan untuk memetakan sinyal sel menunjukkan kemajuan penting dalam ilmu biologi perkembangan. Melalui analisis ekspresi gen, IRIS dapat mengidentifikasi jejak komunikasi biologis pada tipe sel yang berbeda. Keunggulan model ini mengurangi ketergantungan pada pemetaan setiap jenis sel secara terpisah. Validasi menggunakan data perkembangan embrio menunjukkan kemampuan IRIS memperkirakan aktivasi sinyal. Namun demikian, prediksi AI tetap memerlukan pengujian biologis. Sebagai arah penelitian masa depan, analisis respons genetik dapat membantu penelitian obat dan penyakit. Bagaimana menurut Anda, apakah kecerdasan buatan untuk rekayasa jaringan akan membantu mempercepat penelitian medis? Silakan bagikan pendapat Anda mengenai perkembangan teknologi rekayasa jaringan.
