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

Penerapan teknologi kecerdasan buatan semakin memberikan pendekatan inovatif bagi pengembangan ilmu biomedis. Pada kajian biologi modern, ilmuwan menghadapi tantangan besar ketika menelusuri pertukaran sinyal biologis. Sel dalam jaringan biologis tidak bekerja secara terpisah. Berkat komunikasi molekuler, sel menerima informasi mengenai lingkungan. Rangkaian sinyal tersebut membantu mengarahkan spesialisasi sel. Dalam upaya mengurai mekanisme tersebut, peneliti MIT memperkenalkan model AI IRIS yang digunakan untuk menganalisis pola respons genetik.

Pengembangan model IRIS dikoordinasikan oleh Pulin Li, anggota fakultas biologi Massachusetts Institute of Technology yang juga berafiliasi dengan Whitehead Institute for Biomedical Research. Peneliti muda Nicholas Hutchins menjadi bagian utama tim penelitian pendekatan tersebut. Perangkat analisis berbasis AI tersebut memanfaatkan arsitektur pembelajaran mesin untuk mempelajari pola ekspresi gen. Sebagai alternatif terhadap pendekatan pengujian satu per satu, IRIS dapat mengenali karakteristik sinyal pada sel berbeda. Melalui kemampuan tersebut, peneliti dapat mengurangi kebutuhan pengujian berulang.

Cara Kerja Model AI IRIS dalam Mengidentifikasi Jalur Sinyal Sel

Dalam menjelaskan mekanisme model tersebut, penting mengetahui bagaimana sel berkomunikasi. Sel tubuh menggunakan molekul kimia yang dapat diterima oleh sel lain. Saat reseptor mengenali rangsangan, aktivitas molekuler tertentu dapat dimulai. Rangkaian reaksi ini disebut jalur pensinyalan sel. Perubahan pada proses pensinyalan mengatur gen yang aktif maupun tidak aktif. Akibatnya, sel memperoleh karakteristik biologis tertentu sesuai konteks perkembangan tubuh.

Peneliti MIT menemukan bahwa jalur sinyal tertentu menghasilkan karakteristik ekspresi gen tersendiri. Jejak molekuler tersebut disebut sebagai fingerprint jalur sinyal. Keunggulan pendekatan ini, pola penanda dapat ditemukan lintas tipe sel. Dengan memanfaatkan pola yang konsisten, IRIS dapat menghubungkan ekspresi gen dengan sinyal terdahulu. Walaupun pendekatan tersebut menjanjikan, model tidak merekam percakapan sel secara langsung. Karena itu, prediksi model tetap memerlukan validasi biologis.

Keunggulan Pembelajaran Transfer dalam Analisis Komunikasi Sel

Salah satu kemampuan utama IRIS adalah pemanfaatan transfer learning. Pada pengembangan model machine learning, transfer learning membantu model menerapkan pola yang dipelajari pada data baru. Dalam eksperimen para ilmuwan MIT, model dilatih menggunakan respons sel punca embrionik manusia. Dataset tersebut mencakup ribuan sel yang diuji dengan kombinasi aktivasi jalur tertentu. Melalui rancangan tersebut, IRIS dapat mengenali pola yang relevan pada tipe sel berbeda.

Dalam proses pelatihan, tim menguji kombinasi enam jalur pensinyalan utama pada berbagai tahap perkembangan. Hasil ekspresi genetik menjadi dasar pemetaan respons sel. Setelah model dilatih, peneliti mengevaluasi kemampuan model pada perkembangan embrio hewan. Dalam evaluasi ini, IRIS menunjukkan kemampuan generalisasi ke jenis sel berbeda. Pencapaian tersebut penting bagi penelitian embrio, karena pengujian setiap kombinasi sel dapat dikurangi.

Pemanfaatan Data Sel Tunggal untuk Memahami Diferensiasi Embrionik

Salah satu penerapan penting dilakukan menggunakan dataset perkembangan embrio hewan. Peneliti memusatkan perhatian pada fase gastrulasi, yaitu tahap perkembangan embrio ketika sel mulai membentuk berbagai garis keturunan. Dalam periode perkembangan ini, jaringan embrio merespons beragam sinyal yang membantu menentukan identitas akhirnya. Dengan analisis berbasis model AI, peneliti menelusuri pola pensinyalan sepanjang perkembangan. Pendekatan analisis tersebut memberikan gambaran mengenai organisasi jaringan.

Model IRIS berhasil memperkirakan pola sinyal pada sel yang berkembang menjadi jaringan jantung, jaringan usus, sel pembentuk otot, dan sumsum tulang belakang. Hasil tersebut memperlihatkan bagaimana sinyal berbeda mengarahkan pembentukan jaringan. Sebagai contoh, dua sel dengan informasi genetik serupa dapat berkembang menjadi jaringan berbeda karena berada pada lingkungan molekuler berlainan. Berdasarkan temuan tersebut, IRIS memperluas pemahaman tentang diferensiasi, tetapi tetap membutuhkan pembuktian pada sistem biologis.

Potensi IRIS untuk Rekayasa Jaringan dan Pengembangan Organoid

Salah satu manfaat jangka panjang berada pada pengembangan rekayasa jaringan. Untuk kebutuhan rekayasa jaringan, ilmuwan mengembangkan metode diferensiasi sel secara terkendali. Namun demikian, pengendalian diferensiasi membutuhkan banyak faktor. Setiap tahap, sel dapat merespons rangsangan biologis tertentu. Melalui pemetaan yang dilakukan IRIS, peneliti memiliki dasar untuk merancang eksperimen baru. Berkat penggunaan data biologis yang lebih terarah, pengembangan jaringan laboratorium berpotensi lebih efisien.

Pengembangan IRIS memiliki potensi penting bagi pengembangan miniatur organ. Organoid merupakan struktur sel tiga dimensi yang meniru sebagian karakteristik organ. Dalam penelitian penyakit, organoid memberikan sarana mempelajari mekanisme seluler. Dalam salah satu eksperimen lanjutan, ilmuwan memanfaatkan IRIS untuk mengidentifikasi sinyal yang berkaitan dengan pembentukan sel penting bagi paru-paru. Hasil analisis AI diperiksa kembali melalui pengujian biologis pada tikus. Hasil pengujiannya, aktivasi jalur yang diprediksi mendukung perkembangan sel paru. Keberhasilan validasi itu berpotensi membantu pembuatan model penyakit paru untuk mengevaluasi terapi pada model biologis.

Masa Depan Teknologi IRIS untuk Penelitian Jaringan Manusia

Penelitian kecerdasan buatan untuk memetakan sinyal sel membuka pendekatan baru dalam ilmu biologi perkembangan. Dengan memanfaatkan pola aktivitas genetik, IRIS mampu memperkirakan riwayat pensinyalan pada bermacam jaringan dalam perkembangan. Keunggulan model ini mengurangi ketergantungan pada pemetaan setiap jenis sel secara terpisah. Pengujian pada embrio tikus memperlihatkan potensi model dalam memahami pembentukan organ. Meski memiliki potensi besar, prediksi AI tetap memerlukan pengujian biologis. Dalam jangka panjang, pemetaan riwayat pensinyalan berpotensi mendukung pengembangan organoid yang lebih akurat. Apa pendapat Anda, apakah model AI seperti IRIS akan membantu mempercepat penelitian medis? Bagikan pemikiran Anda mengenai masa depan pengobatan regeneratif berbasis sel.