Dari rekayasa protein dan pencetakan 3D hingga pendeteksian media deepfake, berikut adalah tujuh bidang teknologi yang akan diwaspadai oleh Alam di tahun mendatang.
Pembelajaran mendalam untuk desain protein
Dua dekade lalu, David Baker di Universitas Washington di Seattle dan rekan-rekannya mencapai prestasi penting: mereka menggunakan alat komputasi untuk merancang protein yang benar-benar baru dari awal. ‘Top7’ terlipat seperti yang diperkirakan, tetapi tidak aktif: tidak melakukan fungsi biologis yang berarti. Saat ini, desain protein de novo telah berkembang menjadi alat praktis untuk menghasilkan enzim dan protein lain yang dibuat berdasarkan pesanan. “Ini sangat memberdayakan,” kata Neil King, ahli biokimia di Universitas Washington yang bekerja sama dengan tim Baker untuk merancang vaksin berbasis protein dan sarana pengiriman obat. “Hal-hal yang tidak mungkin dilakukan satu setengah tahun yang lalu – sekarang lakukan saja.”
Sebagian besar kemajuan tersebut disebabkan oleh semakin banyaknya kumpulan data yang menghubungkan urutan protein dengan struktur. Namun metode pembelajaran mendalam yang canggih, suatu bentuk kecerdasan buatan (AI), juga penting.
Strategi ‘berbasis urutan’ menggunakan model bahasa besar (LLM) yang menjadi alat pendukung seperti chatbot ChatGPT (lihat ‘ChatGPT? Mungkin tahun depan’). Dengan memperlakukan rangkaian protein seperti dokumen yang terdiri dari ‘kata-kata’ polipeptida, algoritme ini dapat membedakan pola yang mendasari pedoman arsitektur protein di dunia nyata. “Mereka benar-benar mempelajari tata bahasa yang tersembunyi,” kata Noelia Ferruz, ahli biokimia protein di Institut Biologi Molekuler Barcelona, Spanyol. Pada tahun 2022, timnya mengembangkan algoritme yang disebut ProtGPT2 yang secara konsisten menghasilkan protein sintetis yang terlipat secara stabil saat diproduksi di laboratorium1. Alat lain yang dikembangkan bersama oleh Ferruz, disebut ZymCTRL, memanfaatkan data urutan dan fungsional untuk merancang anggota keluarga enzim yang terbentuk secara alami.
Pendekatan berbasis urutan dapat membangun dan mengadaptasi fitur protein yang ada untuk membentuk kerangka kerja baru, namun kurang efektif untuk desain elemen atau fitur struktural yang dibuat khusus, seperti kemampuan untuk mengikat target spesifik dengan cara yang dapat diprediksi. Pendekatan ‘berbasis struktur’ lebih baik untuk hal ini, dan pada tahun 2023 juga terdapat kemajuan penting dalam jenis algoritma desain protein ini. Beberapa di antaranya yang paling canggih menggunakan model ‘difusi’, yang juga mendasari alat penghasil gambar seperti DALL-E. Algoritme ini awalnya dilatih untuk menghilangkan kebisingan yang dihasilkan komputer dari sejumlah besar struktur nyata; dengan belajar membedakan elemen struktur realistis dari kebisingan, mereka memperoleh kemampuan untuk membentuk struktur yang masuk akal secara biologis dan ditentukan oleh pengguna.
Perangkat lunak difusi RF3 yang dikembangkan oleh laboratorium Baker dan alat Chroma oleh Generate Biomedicines di Somerville, Massachusetts, memanfaatkan strategi ini dengan hasil yang luar biasa. Misalnya, tim Baker menggunakan difusi RF untuk merekayasa protein baru yang dapat membentuk antarmuka yang pas dengan target yang diinginkan, menghasilkan desain yang “menyesuaikan diri dengan sempurna dengan permukaan,” kata Baker. Iterasi RFdiffusion ‘semua atom’ yang lebih baru memungkinkan perancang untuk secara komputasi membentuk protein di sekitar target non-protein seperti DNA, molekul kecil, dan bahkan ion logam. Fleksibilitas yang dihasilkan membuka cakrawala baru bagi enzim rekayasa, regulator transkripsional, biomaterial fungsional, dan banyak lagi.
Deteksi deepfake
Ledakan algoritma AI generatif yang tersedia untuk umum telah mempermudah sintesis gambar, audio, dan video yang meyakinkan namun seluruhnya dibuat-buat. Hasil dari hal ini dapat memberikan gangguan yang lucu, namun dengan banyaknya konflik geopolitik yang sedang berlangsung dan pemilihan presiden AS yang sudah di depan mata, peluang untuk melakukan manipulasi media dengan menggunakan senjata sangat besar.
Siwei Lyu, seorang ilmuwan komputer di Universitas Buffalo di New York, mengatakan dia telah melihat banyak gambar dan audio ‘deepfake’ yang dihasilkan AI terkait dengan konflik Israel-Hamas, misalnya. Ini hanyalah babak terbaru dalam permainan kucing-dan-tikus berisiko tinggi di mana pengguna AI menghasilkan konten yang menipu dan Lyu serta spesialis forensik media lainnya bekerja untuk mendeteksi dan mencegatnya.
Salah satu solusinya adalah bagi pengembang AI generatif untuk menyematkan sinyal tersembunyi dalam keluaran model, sehingga menghasilkan tanda air pada konten yang dihasilkan AI. Strategi lain fokus pada konten itu sendiri. Beberapa video yang dimanipulasi, misalnya, mengganti fitur wajah seorang tokoh masyarakat dengan yang lain, dan algoritma baru dapat mengenali artefak pada batas fitur yang diganti, kata Lyu. Lipatan khas pada telinga luar seseorang juga dapat menunjukkan ketidaksesuaian antara wajah dan kepala, sedangkan ketidakteraturan pada gigi dapat menunjukkan video lip-sync yang telah diedit, yang mana mulut seseorang dimanipulasi secara digital untuk mengatakan sesuatu yang tidak dikatakan oleh subjeknya. Foto yang dihasilkan AI juga menghadirkan tantangan yang sulit – dan target yang bergerak. Pada tahun 2019, Luisa Verdoliva, spesialis forensik media di Universitas Federico II Napoli, Italia, membantu mengembangkan FaceForensics++, sebuah alat untuk mengenali wajah yang dimanipulasi oleh beberapa paket perangkat lunak yang banyak digunakan. Namun metode forensik gambar bersifat spesifik pada subjek dan perangkat lunak, dan generalisasinya merupakan sebuah tantangan. “Anda tidak dapat memiliki satu detektor universal – ini sangat sulit,” katanya.
Lalu ada tantangan implementasinya. Program Semantic Forensics (SemaFor) dari Badan Proyek Penelitian Lanjutan Pertahanan AS telah mengembangkan perangkat yang berguna untuk analisis deepfake, namun, seperti yang dilaporkan di Nature (lihat Nature 621, 676–679; 2023) situs media sosial besar tidak secara rutin menggunakannya. Memperluas akses ke alat-alat tersebut dapat membantu meningkatkan penyerapan, dan untuk tujuan ini tim Lyu telah mengembangkan DeepFake-O-Meter, sebuah repositori algoritma publik terpusat yang dapat menganalisis konten video dari berbagai sudut untuk mengendus konten deepfake. Sumber daya tersebut akan sangat membantu, namun kemungkinan besar perlawanan terhadap misinformasi yang disebabkan oleh AI akan terus berlanjut selama bertahun-tahun yang akan datang.
Selengkapnya di halaman berikutnya
