Menyingkap Rahsia Molekul: Revolusi AI dalam Meramalkan dan Merekabentuk Kehidupan

Penulis: Profesor Madya Dr. Choong Yee Siew
Insitut Penyelidikan Perubatan Molekul (INFORMM)
Universiti Sains Malaysia

Dalam era data berskala besar, bioinformatik telah muncul sebagai rangka kerja yang penting dalam penyelidikan biologi moden. Kemajuan pesat dalam teknologi penjujukan genom, proteomik, dan biologi struktur telah menghasilkan jumlah data biologi yang melebihi kemampuan analisis manusia secara manual. Bioinformatik menyediakan kaedah algoritma, statistik, dan kecerdasan buatan (AI) untuk mengekstrak maklumat berguna daripada data yang kompleks ini. Melalui gabungan sains komputer dan biologi, bioinformatik membolehkan pemahaman yang lebih mendalam tentang mekanisme asas kehidupan, dari tahap molekul sehingga kepada sistem biologi yang lebih luas. Pendekatan ini turut memainkan peranan penting dalam mengintegrasikan pelbagai jenis data biologi heterogen, membolehkan penyelidik membina model biologi yang lebih menyeluruh dan membuka peluang baru dalam penyelidikan saintifik dan aplikasi perubatan.

Cabang bioinformatik yang paling berpengaruh ialah bioinformatik struktur, yang menumpukan pada analisis dan peramalan struktur tiga dimensi makromolekul biologi seperti protein dan asid nukleik. Struktur molekul menentukan fungsi biologi, interaksi molekul lain, dan kestabilan sistem selular. Kefahaman terhadap struktur molekul adalah penting untuk menjelaskan proses asas seperti pemangkinan enzim, pengikatan ligan, dan penghantaran isyarat selular. Kepentingan cabang ini mendapat pengiktirafan sedunia pada tahun 2024 apabila Hadiah Nobel Kimia dianugerahkan kepada David Baker, Demis Hassabis, dan John M. Jumper atas kejayaan mereka menyelesaikan masalah lipatan protein, satu cabaran yang telah berlarutan lebih daripada lima dekad. Baker diiktiraf atas sumbangan perintisnya dalam reka bentuk protein de novo, iaitu penciptaan protein baharu yang tidak wujud secara semula jadi. Sementara itu, Hassabis dan Jumper dihormati atas pembangunan AlphaFold, sistem AI berasaskan pembelajaran mendalam yang mampu meramalkan struktur protein dengan ketepatan hampir setanding kaedah eksperimen. Kejayaan ini bukan sahaja mempercepatkan penemuan struktur protein, tetapi juga merevolusikan metodologi asas biologi struktur dan membuka peluang untuk inovasi dalam reka bentuk ubat dan protein terapeutik.

Selain itu, bioinformatik struktur telah melangkaui paradigma tradisional ‘satu jujukan, satu struktur’ dengan munculnya bidang interaktomik struktur. Cabang ini memberi tumpuan kepada pemetaan rangkaian interaksi molekul dalam sel, yang boleh dianggap sebagai ‘rangkaian sosial’ biomolekul. Dengan menggunakan model bahasa protein dan pembelajaran mendalam geometri, ramalan antara muka pengikatan, orientasi interaksi, dan kekuatan pengikatan secara kuantitatif boleh dikajikan. Ini membolehkan pengenalpastian tapak alosterik iaitu tapak kawalan sekunder pada protein yang memainkan peranan penting dalam pengawalseliaan fungsi. Tapak ini amat berguna dalam pembangunan ubat, kerana pengubahsuaian alosterik sering menghasilkan kesan terapeutik yang lebih spesifik dan kurang toksik berbanding perencat tradisional. Bidang ini telah berkembang daripada ramalan interaksi secara binari kepada anggaran tenaga bebas pengikatan, membolehkan saringan in silico jutaan calon molekul dalam masa yang singkat. Pemahaman mendalam tentang rangkaian interaksi molekul ini juga membolehkan pengenalpastian nod kritikal dalam rangkaian, yang boleh dijadikan sasaran terapeutik baharu atau biomarker penyakit. Keupayaan ini mempercepatkan penemuan ubat dan mengurangkan kos pembangunan farmaseutikal, sambil menyediakan asas saintifik untuk reka bentuk ubat yang lebih rasional dan disasarkan.

Satu lagi dimensi penting dalam biologi struktur ialah pengiktirafan sifat dinamik biomolekul. Protein dan asid nukleik tidak statik di mana mereka sentiasa berubah konformasi untuk melaksanakan fungsi biologi mereka. Dengan simulasi dinamik molekul, penyelidik boleh mengkaji pergerakan atom pada skala femtosaat, menghasilkan gambaran masa nyata tentang cara molekul berfungsi. Simulasi ini mendedahkan mekanisme kompleks seperti pembukaan tapak aktif enzim, komunikasi alosterik jarak jauh, dan perubahan struktur protein virus semasa jangkitan. Kemajuan dalam pengkomputeran berprestasi tinggi, khususnya penggunaan GPU dan medan daya berasaskan pembelajaran mesin, telah membolehkan simulasi sistem biomolekul yang besar dan kompleks dengan kos lebih rendah. Pendekatan ini juga membolehkan penyelidikan tentang kesan mutasi atau pengikatan ubat secara atom demi atom, meningkatkan ketepatan ramalan fungsi dan keselamatan molekul terapeutik. Dengan pemahaman dinamik ini, saintis kini ramalan bukan sahaja boleh dibuat ke atas struktur statik, tetapi juga cara molekul bertindak balas terhadap persekitaran selular yang berubah-ubah.

Selain itu, bioinformatik struktur telah membuka laluan baru dalam reka bentuk molekul de novo. Dengan model AI generatif seperti model difusi, rekaan bentuk jujukan protein yang memenuhi keperluan struktur dan fungsi tertentu boleh dilakukan. Pendekatan ini membalikkan aliran tradisional ‘jujukan-ke-fungsi’ dengan bermula daripada hasil biologi yang diinginkan, kemudian mereka bentuk struktur molekul yang stabil untuk mencapai fungsi tersebut. Aplikasinya meliputi pembangunan vaksin sintetik, enzim yang mampu menguraikan bahan pencemar, dan protein pengikat kecil yang lebih stabil daripada antibodi konvensional. Di luar bidang perubatan, teknologi ini menyokong pembangunan biojisim dan nanostruktur yang boleh diprogram untuk kegunaan industri dan alam sekitar. Kaedah generatif ini membuka kemungkinan mencipta molekul dengan fungsi yang tidak ditemui secara semula jadi, memperluas horizon inovasi dalam sains hayat dan bioteknologi.

Cabang lain yang semakin berkembang ialah biologi sistem struktur, yang mengintegrasikan maklumat struktur pada peringkat atom dengan rangkaian selular dan organisma. Dengan memetakan variasi genetik kepada struktur protein yang diramalkan, penyelidik dapat menilai kesan mutasi terhadap kestabilan, interaksi, dan fungsi laluan biologi. Pendekatan ini menjadi asas kepada perubatan ketepatan, membolehkan tafsiran varian genetik yang tidak pasti kepentingannya dan menjelaskan perbezaan tindak balas individu terhadap rawatan. Dengan menggabungkan maklumat fenotip dan data ekspresi gen, model ramalan yang lebih holistik dapat dibangunkan untuk penyakit kompleks dan reaksi rawatan individu. Pandangan dari segi sel sebagai rangkaian struktur yang saling berinteraksi akan memberikan pemahaman yang lebih menyeluruh tentang penyakit kompleks dan membuka peluang kepada intervensi yang lebih berkesan.

Secara keseluruhan, bioinformatik struktur telah berkembang daripada sains deskriptif kepada enjin utama inovasi biologi. Integrasi peramalan struktur, pemodelan interaksi, simulasi dinamik, reka bentuk generatif, dan biologi sistem membolehkan peralihan daripada pemerhatian kepada kejuruteraan biologi yang rasional. Dengan kemajuan berterusan dalam AI dan infrastruktur pengkomputeran, jurang antara ramalan in silico dan kebenaran biologi dijangka akan terus mengecil. Keupayaan ini menjadikan bioinformatik struktur bukan sahaja alat analisis, tetapi juga platform reka bentuk uji kaji yang mampu mempercepatkan penemuan saintifik dan pembangunan teknologi biologi baharu. Perkembangan ini menjanjikan masa depan yang dicirikan oleh perubatan diperibadikan dan bioteknologi mampan, sekali gus mengukuhkan peranan bioinformatik struktur sebagai jambatan antara dunia digital dan kehidupan biologi.

Dalam beberapa dekad sahaja, bioinformatik struktur telah bertransformasi daripada cabang akademik yang khusus kepada enjin utama inovasi sains hayat, membuka peluang yang tidak terhingga dalam penyelidikan asas, pembangunan ubat, dan kejuruteraan molekul. Era baru ini menuntut kolaborasi antara ahli biologi, saintis komputer, dan jurutera AI untuk meneroka kemungkinan yang sebelum ini dianggap mustahil. Dengan kombinasi kepintaran manusia dan kecerdasan buatan, batasan antara imaginasi dan kenyataan dalam biologi molekul kini semakin kabur, menjanjikan era di mana penyakit dapat diramal, dirawat, dan dicegah dengan ketepatan atom demi atom.

Kredit foto-spectroscopyonline

Rujukan:

Jumper J, Evans R, Pritzel A, Green T, et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589.

Uzoeto HO, Cosmas S, Bakare TT, Durojaye OA. (2024). AlphaFold-latest: Revolutionizing protein structure prediction for comprehensive biomolecular insights and therapeutic advancements. Beni-Suef Univ J Basic Appl Sci, 13, 46.

Choong YS (Ed.). (2024). Computational modelling and simulation in biomedical research. Bentham Science Publishers.

Liu W, Tian W, Lim TS, Choong YS (2025) AAPPE: Protein-ligand binding affinity prediction leveraging amino acid pair positional encoding in deep learning. J. Chem. Info. Model. DOI: 10. 1021/acs.jcim.5c01872.

Anfinsen, C. B. (1973). Principles that govern the folding of protein chains. Science, 181, 223–230.

Biodata Penulis:

Profesor Madya Dr. Choong Yee Siew ialah pensyarah Universiti Sains Malaysia dan juga seorang penyelidik dalam bidang bioinformatik struktur, pemodelan molekul, dan simulasi bioperubatan. Penyelidikannya menumpukan pada penggunaan kaedah komputasi untuk meramalkan dan mereka bentuk struktur protein, mengkaji interaksi biomolekul, serta menyokong penemuan sasaran terapeutik dan kejuruteraan protein.