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.

Inovasi Kecerdasan Buatan MIT dalam Memetakan Sinyal Biologis

Kemajuan teknologi kecerdasan buatan semakin memberikan peluang baru bagi penelitian biologi sel. Pada kajian biologi modern, ilmuwan menghadapi tantangan besar ketika memahami interaksi antara sel yang berkembang. Sel dalam jaringan biologis memiliki hubungan dengan sel di sekitarnya. Dengan menggunakan pesan kimia, sel menerima informasi mengenai lingkungan. Rangkaian sinyal tersebut memengaruhi pembentukan berbagai jenis jaringan. Sebagai langkah mempelajari komunikasi biologis, peneliti MIT mengembangkan model AI IRIS yang dirancang mengenali jejak aktivitas sinyal.

Penelitian tersebut dikoordinasikan oleh Pulin Li, peneliti bidang biologi di MIT yang juga tergabung dalam Whitehead Institute for Biomedical Research. Peneliti muda Nicholas Hutchins menjadi bagian utama tim penelitian pendekatan tersebut. Model IRIS menggunakan jaringan saraf komputasional untuk mengidentifikasi karakteristik respons biologis. Berbeda dari metode yang meneliti setiap kombinasi sel secara terpisah, IRIS dapat mengenali karakteristik sinyal pada sel berbeda. Berkat pendekatan ini, proses pemetaan sinyal berpotensi lebih efisien.

Cara Kerja Model AI IRIS dalam Mengidentifikasi Jalur Sinyal Sel

Dalam menjelaskan mekanisme model tersebut, kita perlu mengenali proses komunikasi antarsel. Sel tubuh menggunakan molekul kimia yang dapat diterima oleh sel lain. Setelah molekul pemberi pesan berinteraksi, aktivitas molekuler tertentu dapat dimulai. Rangkaian reaksi ini dikenal sebagai signaling pathway. Respons terhadap rangsangan biologis dapat mengubah ekspresi gen. Sebagai hasilnya, sel berpeluang berkembang menjadi jenis khusus sesuai rangkaian sinyal yang diterima.

Tim pengembang IRIS mengidentifikasi bahwa setiap jalur pensinyalan meninggalkan pola aktivitas gen yang khas. Karakteristik aktivitas gen ini dapat dipahami sebagai sidik jari biologis. Keunggulan pendekatan ini, fingerprint suatu jalur relatif konsisten pada berbagai jenis sel. Dengan memanfaatkan pola yang konsisten, IRIS dilatih untuk memperkirakan jalur sinyal yang pernah aktif. Walaupun pendekatan tersebut menjanjikan, model tidak merekam percakapan sel secara langsung. Oleh sebab itu, hasil harus ditafsirkan berdasarkan eksperimen.

Keunggulan Pembelajaran Transfer dalam Analisis Komunikasi Sel

Fitur yang membuat pendekatan tersebut menarik adalah pemanfaatan transfer learning. Dalam sistem pembelajaran mesin modern, transfer learning membantu model menerapkan pola yang dipelajari pada data baru. Melalui sistem analisis yang dikembangkan, model dilatih menggunakan respons sel punca embrionik manusia. Informasi biologis yang digunakan mencakup ribuan sel yang diuji dengan kombinasi aktivasi jalur tertentu. Dengan demikian, IRIS mampu menerapkan pengetahuan pada lingkungan biologis lain.

Dalam proses pelatihan, tim menggunakan enam signaling pathways penting pada berbagai tahap perkembangan. Perubahan aktivitas gen membentuk kumpulan pola sinyal yang dapat dipelajari. Sesudah pola dikenali, peneliti mengevaluasi kemampuan model pada perkembangan embrio hewan. Dalam evaluasi ini, IRIS dapat mengenali pola komunikasi pada konteks perkembangan baru. Pencapaian tersebut membuka peluang pemetaan jaringan biologis lebih luas, karena pendekatan yang sama berpotensi digunakan pada banyak tipe jaringan.

Model AI MIT Identifikasi Sinyal Pembentuk Jantung dan Jaringan Tubuh

Tahap validasi yang menarik dilakukan menggunakan pengamatan individual pada sel embrio tikus. Tim ilmuwan melakukan analisis pada fase gastrulasi, yaitu fase penting ketika jaringan embrionik mengalami spesialisasi. Pada tahap tersebut, berbagai sel menerima petunjuk molekuler yang mengatur pembentukan jaringan tertentu. Berkat pemetaan pola ekspresi gen, peneliti menelusuri pola pensinyalan sepanjang perkembangan. Hasil pemetaan ini membantu memahami penyusunan struktur tubuh.

Sistem AI hasil penelitian MIT dapat memprediksi aktivitas pensinyalan pada sel yang berkembang menjadi jaringan jantung, calon jaringan pencernaan, sel pembentuk otot, dan sumsum tulang belakang. Keberhasilan prediksi tersebut memperlihatkan bagaimana sinyal berbeda mengarahkan pembentukan jaringan. Sebagai contoh, sel yang berasal dari embrio sama berpeluang memperoleh fungsi tidak sama karena berada pada lingkungan molekuler berlainan. Dengan demikian, IRIS memberikan alat untuk mempelajari pembentukan jaringan, tetapi tetap membutuhkan pembuktian pada sistem biologis.

Potensi IRIS untuk Rekayasa Jaringan dan Pengembangan Organoid

Salah satu manfaat jangka panjang berada pada penelitian tissue engineering. Pada penelitian biomedis modern, ilmuwan mempelajari cara menghasilkan jaringan dengan fungsi khusus. 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 berpeluang menemukan petunjuk diferensiasi. Melalui pendekatan tersebut, proses pencarian kondisi diferensiasi mungkin menjadi lebih cepat.

Pengembangan IRIS juga berkaitan dengan pembuatan organoid. Organoid merupakan model biologis mini yang merepresentasikan fungsi tertentu jaringan. Untuk studi perkembangan jaringan, organoid memberikan sarana mempelajari mekanisme seluler. Dalam salah satu eksperimen lanjutan, ilmuwan memanfaatkan IRIS untuk memperkirakan jalur yang mendukung perkembangan jenis sel paru tertentu. Hasil analisis AI selanjutnya divalidasi menggunakan penelitian embrio tikus. Dalam validasi tersebut, hasil percobaan sesuai dengan arah perkembangan yang diperkirakan. Temuan tersebut mendukung penelitian jaringan pernapasan untuk mengevaluasi terapi pada model biologis.

Masa Depan Teknologi IRIS untuk Penelitian Jaringan Manusia

Pengembangan model IRIS oleh MIT memberikan kontribusi menarik dalam pengembangan teknologi biomedis. Dengan memanfaatkan pola aktivitas genetik, IRIS mampu memperkirakan riwayat pensinyalan pada bermacam jaringan dalam perkembangan. Keunggulan model ini membantu mempercepat kajian komunikasi biologis. Eksperimen lanjutan pada jaringan embrionik memberikan dasar bagi pengembangan pendekatan rekayasa jaringan. Meski memiliki potensi besar, prediksi AI tetap memerlukan pengujian biologis. Dalam jangka panjang, analisis respons genetik berpotensi mendukung pengembangan organoid yang lebih akurat. Bagaimana menurut Anda, apakah model AI seperti IRIS mampu memberikan kemajuan pada pengembangan organoid? Sampaikan pandangan Anda mengenai peran AI dalam penelitian biologi.