Bagaimana AI Co‑Scientist Mempercepat Penemuan Obat—dan Cara Bergabung dengan Mereka

Apa yang dilakukan AI co‑scientist

AI co‑scientist adalah mitra riset multi‑agen. Agen generasi menciptakan hipotesis awal, dan agen kritik serta penyempurnaan yang terpisah berdebat dan mengembangkan ide‑ide tersebut [1][2]. Lingkaran ini sengaja meniru siklus ilmiah manusia berupa ideasi, kritik, dan revisi, namun berjalan secara otonom. Dengan cara ini, sistem‑sistem tersebut dapat menunjukkan penalaran independen, pemecahan masalah kreatif, integrasi pengetahuan, dan pembelajaran adaptif [2].

Ini berbeda dari menanyakan satu pertanyaan kepada satu model. Nilainya berasal dari interaksi antar peran: satu agen mengusulkan, agen lain menantang, dan agen lain mensintesis versi yang lebih kuat. Itulah mengapa sistem ini disebut co‑scientist, bukan sekadar mesin pencari yang lebih cepat.

Bukti dari penemuan obat

Tim‑tim awal telah menerapkan Co‑Scientist pada resistensi antimikroba, kekebalan tanaman, dan fibrosis hati [1]. Pada leukemia mieloid akut, sistem ini mengidentifikasi kandidat repurposing obat baru serta terapi kombinasi sinergis yang kemudian divalidasi secara in vitro [4]. Dengan kata lain, AI mengusulkan hipotesis yang kemudian diuji oleh eksperimen laboratorium basah.

Stanford, Virtual Lab, dan Virtual Biotech

Virtual Lab Stanford menghasilkan hampir 100 struktur nanobody melawan SARS‑CoV‑2, dan lebih dari 90 % struktur tersebut mengikat virus asli [3]. Setelah sistem berjalan, ilmuwan manusia hanya ikut campur dalam sekitar 1 % operasinya [3]. Angka rendah itu merupakan ukuran otonomi, bukan alasan untuk menghilangkan pengawasan manusia.

Kerangka kerja lain, Virtual Biotech, mencapai percepatan sekitar 184‑kali dibandingkan pendekatan agen tunggal [3]. Perbandingan ini penting: keuntungan dihitung relatif terhadap satu agen, bukan terhadap tim manusia penuh. Kolaborasi multi‑agen dapat jauh lebih cepat dalam menghasilkan dan menyempurnakan ide, namun kecepatan itu tetap harus dipasangkan dengan pemeriksaan eksperimental.

Target spesifik tipe sel

Obat yang menargetkan gen spesifik tipe sel memiliki peluang 40 % lebih tinggi untuk maju dari Fase I ke Fase II dan 48 % lebih tinggi untuk mencapai persetujuan Fase IV, sambil menunjukkan tingkat kejadian efek samping 32 % lebih rendah [3]. Bukti ini menunjukkan satu manfaat menggunakan AI untuk menalar konteks biologis: hipotesis dapat disaring berdasarkan spesifisitas tipe sel, yang berpotensi mengurangi risiko kegagalan pada tahap akhir.

Contoh Covid‑19 dan onkologi

Dalam eksperimen redesain vaksin Covid‑19 di Stanford, agen‑agen AI menghasilkan puluhan protein baru, dua di antaranya terbukti fungsional dalam uji laboratorium [5]. Di bidang onkologi, puluhan ribu agen AI digunakan untuk memprediksi strategi serangan optimal pada protein terkait kanker paru; sebuah perusahaan farmasi kemudian mengonfirmasi prediksi tersebut dengan hasil obat yang menjanjikan [5]. Ini masih demonstrasi tahap awal, namun menunjukkan beragam pertanyaan yang dapat ditangani.

Cara mendapatkan akses dan menjalankan proyek

Peneliti dapat mendaftar ke alat Hypothesis Generation milik Google DeepMind. Setelah pendaftaran, pengguna memberikan tujuan riset tingkat tinggi, dan sistem menangani generasi hipotesis, kritik, serta perencanaan eksperimental [1][5]. Umpan balik manusia diharapkan pada titik keputusan kunci, membimbing agen‑agen tanpa mengatur setiap langkah secara mikro [5].

Bagi tim yang membangun atau mengonfigurasi sistem mereka sendiri, protokol operasional sangat penting. Penggunaan efektif bergantung pada debat terstruktur dan protokol konsensus di antara agen, dengan opsi suara manusia untuk mengarahkan eksplorasi [6]. Praktiknya, ini berarti mendefinisikan pertanyaan, memutuskan bagaimana agen akan menantang satu sama lain, dan memilih momen ketika orang akan ikut campur.

Keterbatasan dan keamanan

Hipotesis yang dihasilkan AI bukanlah temuan. Validasi eksperimental tetap esensial sebelum hasil apa pun dapat memengaruhi keputusan pengobatan [3][4]. Percepatan yang dilaporkan, termasuk angka 184‑kali, juga dibandingkan dengan baseline agen tunggal, bukan tim manusia penuh [3]. Mereka menggambarkan apa yang dapat dilakukan arsitektur multi‑agen, bukan apa yang akan dicapai setiap laboratorium pada setiap penyakit.

Keamanan adalah batasan desain yang eksplisit. Google DeepMind menekankan keamanan proaktif dan frontier safety untuk mengurangi risiko dari AI tingkat lanjut [1]. Oleh karena itu, peneliti harus memperlakukan hipotesis yang dihasilkan AI sebagai titik awal, bukan jawaban akhir.

Cara terfokus untuk memulai

Pertanyaan molekuler kecil dan terdefinisi dengan baik seringkali menjadi proyek pertama yang lebih baik daripada program penemuan yang luas. Jelaskan target dan hasil yang diinginkan, biarkan agen menghasilkan dan mengkritik hipotesis, lalu ambil proposal yang bertahan dari debat dan konsensus ke dalam desain eksperimental. Ini menjaga peran manusia di tempat yang penting: memilih pertanyaan, menilai trade‑off, dan memutuskan apa yang akan diuji.

Sumber

1. Co‑Scientist: A multi‑agent AI partner to accelerate research
2. AI Co‑Scientist: How Autonomous AI Researchers
3. Accelerating scientific discovery with Co‑Scientist - Nature
4. AI Scientists Reinventing Drug Discovery | Healthcare Discovery
5. A.I. Agents as ‘Co‑Scientists’? This Lab Says They Could Speed Drug …
6. AI Co‑Scientist Systems - emergentmind.com