Para peneliti dari Institut Kimia Organik Shanghai di Akademi Ilmu Pengetahuan Tiongkok telah mengembangkan model kecerdasan buatan generatif yang memprediksi interaksi protein-protein pada resolusi atom, menurut sebuah penelitian yang diterbitkan dalam Proceedings of the National Academy of Sciences (PNAS) pada tanggal 9 Juni 2026. Model tersebut, yang diberi nama Void-X, mengambil pendekatan yang berbeda secara mendasar terhadap desain protein dengan membangun antarmuka dari atom individu ke atas daripada membentuk bentuk protein keseluruhan terlebih dahulu.
Pekerjaan yang dipimpin oleh Drs. Yang Jing, Yuan Junying, dan James J. Chou, disorot oleh Chinese Academy of Sciences dan dilaporkan oleh Phys.org. Hal ini menambah alat baru pada bidang yang bergerak cepat di mana AI semakin banyak digunakan untuk merancang mesin molekuler yang mendukung obat-obatan, bahan, dan biologi sintetik. For more context on this story, see our ongoing latest AI developments.
Mengapa interaksi protein-protein penting
Protein adalah pekerja molekuler tubuh manusia. Mereka membangun jaringan, mengangkut molekul, mengatur komunikasi seluler, dan bertahan melawan infeksi. Banyak obat-obatan yang paling penting – termasuk terapi antibodi untuk kanker dan insulin untuk diabetes – bekerja dengan berinteraksi dengan protein tertentu atau dengan mengganti protein yang hilang atau tidak berfungsi.
Karena begitu banyak proses biologis yang bergantung pada cara protein berikatan satu sama lain, kemampuan untuk memprediksi secara akurat dan merekayasa interaksi protein-protein dapat mempercepat penemuan obat dan mengatasi kebutuhan medis yang belum terpenuhi. Kemajuan di sini juga melengkapi kemajuan pesat dalam teknologi pengiriman seperti vektor virus terkait adeno dan nanopartikel lipid mRNA, yang mengangkut molekul terapeutik ke dalam sel.
Pendekatan dari bawah ke atas, bukan dari atas ke bawah
Sebagian besar kerangka kerja AI yang ada untuk desain protein mengikuti strategi top-down: pertama-tama mereka menghasilkan perancah protein keseluruhan yang sesuai dengan lokasi target dan kemudian merancang urutan untuk mengoptimalkan pengikatan. Void-X membalikkan logika itu.
Modelnya adalah sistem pengisian atom. Ia dilatih untuk mengenali pola interaksi skala atom dan mengisi “kekosongan” – celah – dalam antarmuka protein. Asumsi utamanya adalah bahwa kompleks makromolekul yang stabil disatukan oleh pengemasan atom yang optimal, yang muncul dari interaksi lokal antara atom-atom tetangga serta penggandengan tingkat tinggi dengan atom-atom yang lebih jauh. Daripada merancang seluruh bentuk protein, Void-X secara langsung menghasilkan gugus atom kompak yang dioptimalkan untuk pengemasan ketat dalam wilayah struktural tertentu, sehingga memberikan desain tersebut landasan yang kokoh secara fisik.
Dilatih pada delapan juta cluster atom
Untuk melatih Void-X, para peneliti mengumpulkan kumpulan data lebih dari delapan juta kluster atom berbentuk bola yang diambil dari struktur yang ditentukan secara eksperimental yang disimpan di Bank Data Protein. Untuk setiap cluster, sekitar 30% dari atom-atom periferal yang bersebelahan secara spasial ditutupi, sementara atom-atom yang tersisa berfungsi sebagai "konteks" - yang secara efektif merupakan petunjuk - yang digunakan model untuk memprediksi atom-atom yang hilang.
Jaringan yang dihasilkan berisi 172 juta parameter dan mencapai akurasi prediksi yang kuat: 78,3% untuk klaster atom intra-rantai dan 68,2% untuk klaster antar-rantai, para peneliti melaporkan.
Apa artinya bagi penemuan obat dan seterusnya
Menurut penulis, kemampuan ini memungkinkan generasi de novo interaksi protein dengan resolusi atom, menawarkan apa yang mereka gambarkan sebagai jalur yang saling melengkapi dan intuitif secara fisik untuk desain protein. Dengan menggabungkan detail tingkat atom dengan pemodelan generatif, Void-X memperluas perangkat untuk merekayasa antarmuka biomolekuler secara rasional.
Hal ini penting karena desain antarmuka merupakan inti dari pengembangan obat modern. Alat komputasi yang lebih baik untuk memprediksi bagaimana calon molekul akan berikatan dengan target proteinnya dapat memperpendek jalur dari ide ke terapi, mengurangi ketergantungan pada eksperimen coba-coba yang mahal, dan mempermudah merancang protein untuk fungsi yang benar-benar baru dalam biologi sintetik.
Bidang yang sedang berkembang
Void-X hadir di tengah lonjakan penelitian protein berbasis AI. Dari prediksi struktur hingga desain generatif seluruh atom, para peneliti terus berupaya mencapai kemampuan untuk memodelkan interaksi biomolekuler pada resolusi atom penuh. Sistem generatif semua atom sebelumnya telah menunjukkan kelayakan merancang dan memprediksi interaksi pada skala tersebut, dan Void-X menyumbangkan strategi yang berbeda, yaitu pengepakan terlebih dahulu untuk upaya yang sama.
Trik masking yang membuatnya berhasil
Metode pelatihan Void-X meminjam satu halaman dari buku pedoman model bahasa. Dengan menutupi sekitar 30% atom di setiap cluster pelatihan dan meminta model untuk menyimpulkannya dari konteks sekitarnya, para peneliti mengubah biologi struktural menjadi tugas mengisi kekosongan – prinsip yang sama yang memungkinkan model bahasa besar memprediksi kata-kata yang hilang dalam sebuah kalimat. Perbedaannya adalah "kosakata" Void-X terdiri dari atom-atom yang tersusun dalam ruang tiga dimensi, dan tata bahasa yang dipelajarinya mencerminkan aturan pengepakan fisik yang mengatur bagaimana protein sebenarnya melipat dan mengikat.
Pelatihan sadar struktur inilah yang membedakan Void-X dari pendekatan yang memperlakukan protein sebagai rangkaian asam amino datar. Karena model ini mempertimbangkan kopling atom lokal dan jarak jauh secara bersamaan, model ini dapat mengusulkan geometri antarmuka yang memperhatikan batasan fisik kompleks yang stabil, daripada menghasilkan desain yang tampak masuk akal tetapi tidak stabil secara biologis.
Batasan dan pertanyaan terbuka
Hasilnya menjanjikan, namun para peneliti berterus terang bahwa tantangannya masih ada. Akurasi antar-rantai sebesar 68,2% – relevan dengan kompleks multi-protein yang menentukan sebagian besar target obat di dunia nyata – jauh lebih rendah dibandingkan angka intra-rantai, yang mencerminkan kesulitan yang lebih besar dalam memodelkan bagaimana dua molekul terpisah bersatu. Merancang antarmuka yang terikat erat dalam model komputasi juga hanyalah langkah pertama; kandidat masih harus disintesis dan divalidasi secara eksperimental, dan prediksi interaksi dapat terputus-putus di lingkungan sel hidup yang lebih berantakan.
Meningkatkan data pelatihan, menyempurnakan penanganan model terhadap wilayah protein yang fleksibel atau tidak teratur, dan mengintegrasikan Void-X dengan sistem top-down yang saling melengkapi kemungkinan merupakan langkah berikutnya. Para penulis membingkai kontribusi mereka sebagai teknologi pelengkap dan bukan pengganti – sebuah pilihan berbasis fisik untuk dikombinasikan dengan perancah yang ada seiring dengan perlombaan menuju desain molekuler yang andal dan menyeluruh.
Tren yang lebih luas
Penelitian tersebut, yang dipublikasikan di bawah DOI 10.1073/pnas.2607035123, menandakan bahwa persaingan untuk membuat alat perancangan molekuler yang lebih tepat kini sedang berlangsung – dan bahwa AI generatif menjadi bagian tak terpisahkan dari meja kerja para ahli biokimia. Ketika model seperti Void-X mempersempit kesenjangan antara komputasi dan laboratorium, harapannya adalah para peneliti akan mampu merancang terapi, enzim, dan bahan baru dengan lebih cepat dan rasional dibandingkan sebelumnya.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
