OpenAI pada 10 September memperkenalkan cara kerja riset di laboratorium César de la Fuente, University of Pennsylvania: tim menggunakan model deep learning yang mereka bangun sendiri untuk mencari molekul yang berpotensi memiliki aktivitas antibakteri dalam genom serta basis data protein dari spesies yang masih ada maupun yang sudah punah. Mereka juga memakai ChatGPT dan Codex untuk membahas hipotesis, menulis dan memodifikasi kode, mengolah data, serta menghubungkan gagasan dari berbagai disiplin ilmu. Resmi menyebutkan bahwa pendekatan seperti ini dapat memangkas pencarian awal kandidat molekul dari bertahun-tahun menjadi hanya beberapa jam. Kata kuncinya adalah “kandidat” dan “pencarian awal”, bukan membuat obat baru dalam hitungan jam.

Resistensi antimikroba membuat obat yang ada perlahan menjadi tidak efektif. Studi yang dikutip OpenAI menunjukkan bahwa pada 2021 sekitar 5 juta kematian terkait resistensi bakteri; jika tren berlanjut, beban terkait pada tahun-tahun mendatang bisa mendekati dua kali lipat pada 2050. Riset pengembangan tradisional sering berangkat dari senyawa yang sudah dikenal untuk melakukan modifikasi struktural. Namun saat arah yang mudah ditemukan terus-menerus dieksplorasi, manfaatnya menurun. Tim De la Fuente mengganti pendekatan: menganggap sekuens DNA dan protein sebagai informasi, lalu mencari pola dalam basis data kehidupan yang dapat membentuk peptida aktif atau molekul antimikroba lain.

AI paling jago menyempitkan ruang pencarian, bukan mengumumkan jawaban untuk lab

Genom digital memungkinkan peneliti melintasi tumbuhan, hewan, mikroorganisme, bahkan spesies yang sudah punah untuk mencari petunjuk; namun semakin besar jumlah data, semakin sulit menemukan sinyal yang benar-benar berguna. Model pembelajaran mendalam dapat mempelajari hubungan antara sekuens dan aktivitas, lalu menyaring dari segudang fragmen kandidat yang lebih layak diperhatikan. Sebelumnya, peneliti mungkin harus merancang, mensintesis, dan menguji satu per satu; kini mereka dapat memusatkan sumber daya eksperimen pada daftar yang lebih kecil. Inti penghematannya bukan menghapus eksperimen, melainkan mengurangi banyak percobaan berpeluang rendah.

ChatGPT dan Codex menjalankan peran pada lapisan kolaborasi yang berbeda. Anggota tim berasal dari biologi, kimia, ilmu komputer, dan teknik, sehingga batas pengetahuan mereka tidak saling tumpang tindih sepenuhnya. Ahli biologi dapat menggunakan Codex untuk membangun program pengolahan data, sementara programmer bisa memahami masalah eksperimen lebih cepat; ChatGPT membantu tim merumuskan hipotesis, menata literatur, dan mendiskusikan keterkaitan antarbidang. De la Fuente memandang area kerja bersama sebagai papan diskusi kolektif: anggota tidak hanya memasukkan ide yang berhasil, tetapi juga arah yang gagal, agar eksplorasi berikutnya tetap punya konteks.

这种用法比直接让通用模型预测药物更现实。专业深度学习模型负责特定序列筛选，通用助手负责代码和知识协作，人类研究者决定问题、检查结果并设计实验。每一层都有边界：大语言模型可能生成错误引用或不可靠代码，专业模型也会继承训练数据的偏差。团队必须保留数据版本、模型参数、筛选规则和人工修改记录，才能知道一个候选究竟如何进入实验名单。

Setelah kandidat muncul, barulah pekerjaan menjadi benar-benar lebih sulit. Peneliti perlu memastikan apakah kandidat itu dapat membunuh mikroorganisme target, mengukur konsentrasi efektif, serta memeriksa apakah kandidat tersebut sekaligus merusak sel manusia. Kimiawan mungkin terus memodifikasi molekul untuk meningkatkan kestabilan, aktivitas, dan keamanan; selanjutnya juga perlu mengevaluasi dosis toksik, kecepatan mikroorganisme membentuk resistensi, penyerapan-distribusi-metabolisme (ADME) dalam tubuh, serta apakah molekul dapat diproduksi secara stabil. Bahkan jika semua langkah prapklinik lolos, tetap harus melalui tinjauan regulasi dan uji klinis bertahap.

Dari “kandidat yang lolos (hit)” menjadi obat yang bisa digunakan, tingkat kegagalan dan standar bukti tidak akan hilang begitu saja hanya karena AI

Corong penemuan obat sangat sempit. Model penyaringan tahap awal dapat memampatkan jutaan sekuens menjadi beberapa ribu atau puluhan kandidat, tetapi setiap tahap akan menyingkirkan banyak molekul. Ada yang efektif di tabung reaksi, namun cepat terurai dalam lingkungan tubuh; ada yang kemampuan membunuh bakterinya kuat, tetapi toksisitasnya terlalu tinggi; ada pula yang sulit diproduksi atau tidak dapat mencapai lokasi infeksi. Jika kecepatan penyaringan tahap awal ditingkatkan beberapa orde besaran, akan ada lebih banyak peluang eksperimen, tetapi bottleneck bisa berpindah ke sintesis, eksperimen hewan, dan sumber daya klinis.

Karena itu, penilaian riset AI seperti ini tidak boleh hanya melihat seberapa banyak “molekul baru” yang dihasilkan model. Indikator yang lebih bermakna mencakup angka keberhasilan eksperimen, perbedaan struktur terhadap obat antimikroba yang sudah dikenal, selektivitas, kecepatan terbentuknya resistensi, keterbuatannya (manufacturability), serta apakah laboratorium independen dapat mengulangi hasilnya. Jika AI menghasilkan 10.000 kandidat, tetapi hanya sangat sedikit yang lolos eksperimen awal, kecepatan komputasi tidak otomatis berubah menjadi efisiensi pengembangan. Sebaliknya, meski jumlah kandidat tidak banyak, selama peluang keberhasilan berikutnya meningkat, itu bisa benar-benar mempersingkat siklus riset dan pengembangan.

数据来源也需要被审视。已知活性分子更容易进入数据库，罕见物种和未充分研究环境的数据则更少。模型可能偏爱熟悉序列，错过真正新颖的机制。灭绝生物基因组往往存在缺口和重建不确定性，任何候选都必须回到实验验证。研究者还要防范训练集与测试集泄漏，以免模型只是记住了相似分子，却被误认为发现了新规律。

Bagi rumah sakit dan masyarakat, kasus ini tidak seharusnya dibaca sebagai “AI antibiotik baru sudah bisa digunakan”. Artikel resmi menjelaskan alur kerja riset dan penyaringan kandidat, bukan pengumuman bahwa suatu molekul tertentu telah mendapat persetujuan klinis. Terapi untuk infeksi yang resisten tetap harus didasarkan pada penilaian dokter, hasil uji kepekaan (drug susceptibility), dan obat yang telah disetujui. Membungkus hasil riset awal sebagai rekomendasi terapi tidak hanya membesar-besarkan kemajuan, tetapi juga dapat menimbulkan risiko nyata.

Yang benar-benar ditunjukkan oleh pekerjaan ini adalah cara mengorganisasi riset lintas disiplin. Model profesional melakukan pemindaian cepat basis data kehidupan, AI umum menurunkan hambatan untuk pemrograman dan komunikasi pengetahuan, sementara laboratorium menyediakan verifikasi berbasis fakta. Ketiganya bila digabungkan, berpotensi membuat lebih banyak sekuens langka masuk ke perhatian riset, tetapi pada akhirnya yang meyakinkan komunitas sains tetaplah data eksperimen yang dapat direplikasi. AI dapat memampatkan waktu untuk menemukan batch jarum pertama dari hitungan tahun menjadi hitungan jam; namun jarum mana yang bisa menjadi obat tetap harus dibuktikan selangkah demi selangkah.