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.

Peneliti MIT Kembangkan Model AI IRIS untuk Membaca Komunikasi Antarsel

Kemajuan teknologi kecerdasan buatan menghadirkan kemampuan tambahan bagi penelitian biologi sel. Pada kajian biologi modern, ilmuwan sering menemukan kesulitan ketika mempelajari komunikasi antarsel. Sel dalam jaringan biologis tidak bekerja secara terpisah. Berkat komunikasi molekuler, sel mengetahui perubahan kondisi sekitarnya. Pesan biologis ini memengaruhi pembentukan berbagai jenis jaringan. Untuk memahami proses itu, peneliti MIT mengembangkan model AI IRIS yang digunakan untuk menganalisis pola respons genetik.

Studi yang dilakukan ilmuwan MIT berada di bawah kepemimpinan Pulin Li, asisten profesor biologi MIT yang juga berafiliasi dengan Whitehead Institute for Biomedical Research. Nicholas Hutchins berkontribusi terhadap perancangan pendekatan tersebut. Sistem kecerdasan buatan ini dibangun dengan pendekatan neural network untuk menganalisis perubahan aktivitas genetik. Tidak seperti cara konvensional yang membutuhkan banyak eksperimen khusus, IRIS memungkinkan analisis lintas jenis sel. Berkat pendekatan ini, peneliti dapat mengurangi kebutuhan pengujian berulang.

Teknologi Machine Learning Membaca Jejak Aktivitas Genetik

Sebagai dasar memahami penelitian ini, penting mengetahui bagaimana sel berkomunikasi. Jaringan sel biologis mengirimkan pesan melalui molekul tertentu yang dapat diterima oleh sel lain. Setelah molekul pemberi pesan berinteraksi, aktivitas molekuler tertentu dapat dimulai. Rangkaian reaksi ini disebut jalur pensinyalan sel. Aktivasi jalur tertentu dapat mengubah ekspresi gen. Sebagai hasilnya, sel dapat mengalami diferensiasi sesuai rangkaian sinyal yang diterima.

Peneliti MIT menemukan bahwa jalur sinyal tertentu menghasilkan karakteristik ekspresi gen tersendiri. Karakteristik aktivitas gen ini dapat dipahami sebagai sidik jari biologis. Hal penting dari temuan tersebut, pola penanda dapat ditemukan lintas tipe sel. Dengan memanfaatkan pola yang konsisten, IRIS dapat menghubungkan ekspresi gen dengan sinyal terdahulu. Meski mampu menghasilkan prediksi, hasil analisis merupakan inferensi berdasarkan pola genetik. Karena itu, hasil harus ditafsirkan berdasarkan eksperimen.

Cara Model AI MIT Mempelajari Pola Biologis Lintas Tipe Sel

Fitur yang membuat pendekatan tersebut menarik adalah pemanfaatan transfer learning. Dalam sistem pembelajaran mesin modern, transfer learning memungkinkan pengetahuan dari data pelatihan digunakan pada situasi terkait. Pada penelitian IRIS, data pelatihan berasal dari eksperimen terhadap sel punca embrionik manusia. Kumpulan data penelitian ini berisi pengukuran dari ribuan sel yang menerima berbagai kombinasi rangsangan. Berkat proses pembelajaran itu, IRIS dapat mengenali pola yang relevan pada tipe sel berbeda.

Pada tahap pengembangan dataset, tim mengukur respons terhadap kombinasi enam jalur sinyal pada berbagai tahap perkembangan. Perubahan aktivitas gen membentuk kumpulan pola sinyal yang dapat dipelajari. Sesudah pola dikenali, peneliti menerapkan IRIS pada data embrio tikus. Hasilnya, IRIS dapat mengenali pola komunikasi pada konteks perkembangan baru. Hasil pengujian ini membuka peluang pemetaan jaringan biologis lebih luas, karena ilmuwan tidak harus melatih model terpisah untuk setiap jenis sel.

Model AI MIT Identifikasi Sinyal Pembentuk Jantung dan Jaringan Tubuh

Tahap validasi yang menarik dilakukan menggunakan dataset perkembangan embrio hewan. Pengujian diarahkan pada fase gastrulasi, yaitu fase penting ketika jaringan embrionik mengalami spesialisasi. Selama proses gastrulasi, jaringan embrio merespons beragam sinyal yang membantu menentukan identitas akhirnya. Melalui penggunaan IRIS, peneliti mengidentifikasi kemungkinan jalur komunikasi pada bagian embrio tertentu. Pendekatan analisis tersebut mendukung penelitian hubungan sinyal dengan pembentukan organ.

Pendekatan analisis baru tersebut berhasil memperkirakan pola sinyal pada calon sel pembentuk jantung, calon jaringan pencernaan, otot, dan sumsum tulang belakang. Hasil tersebut memperlihatkan bagaimana sinyal berbeda mengarahkan pembentukan jaringan. Sebagai contoh, kelompok sel pada tahap awal mampu mengambil arah diferensiasi berlainan karena berada pada lingkungan molekuler berlainan. Melalui hasil ini, IRIS memberikan alat untuk mempelajari pembentukan jaringan, tetapi tetap membutuhkan pembuktian pada sistem biologis.

Potensi IRIS untuk Rekayasa Jaringan dan Pengembangan Organoid

Peluang penting dari penelitian IRIS berada pada pengembangan rekayasa jaringan. Dalam bidang tersebut, ilmuwan mengembangkan metode diferensiasi sel secara terkendali. Walaupun sel punca memiliki kemampuan berkembang, menghasilkan jaringan yang tepat tidak selalu mudah. Selama proses pematangan, sel memerlukan petunjuk molekuler sesuai waktunya. Berkat kemampuan memperkirakan jalur pensinyalan, peneliti berpeluang menemukan petunjuk diferensiasi. Dengan demikian, proses pencarian kondisi diferensiasi mungkin menjadi lebih cepat.

Penelitian tersebut memiliki potensi penting bagi pengembangan miniatur organ. Organoid merupakan struktur sel tiga dimensi yang meniru sebagian karakteristik organ. Untuk studi perkembangan jaringan, organoid dapat digunakan sebagai model eksperimen. Dalam salah satu eksperimen lanjutan, ilmuwan memanfaatkan IRIS untuk mengidentifikasi sinyal yang berkaitan dengan pembentukan sel penting bagi paru-paru. Perkiraan jalur pensinyalan tersebut diperiksa kembali melalui pengujian biologis pada tikus. Berdasarkan eksperimen lanjutan, temuan laboratorium menguatkan prediksi IRIS. Keberhasilan validasi itu berpotensi membantu pembuatan model penyakit paru untuk mempelajari asma dan fibrosis paru.

Prospek Kecerdasan Buatan bagi Rekayasa Sel dan Pengobatan Regeneratif

Pengembangan model IRIS oleh MIT memberikan kontribusi menarik dalam pengembangan teknologi biomedis. Berkat pembelajaran mesin berbasis data sel, IRIS dapat mengidentifikasi jejak komunikasi biologis pada berbagai jenis sel. Kemampuan tersebut mengurangi ketergantungan pada pemetaan setiap jenis sel secara terpisah. Pengujian pada embrio tikus memberikan dasar bagi pengembangan pendekatan rekayasa jaringan. Walaupun hasilnya menjanjikan, penerapan klinis masih membutuhkan penelitian lanjutan. Dalam jangka panjang, pemahaman terhadap komunikasi antarsel berpotensi mendukung pengembangan organoid yang lebih akurat. Apa pendapat Anda, apakah model AI seperti IRIS akan membantu mempercepat penelitian medis? Bagikan pemikiran Anda mengenai peran AI dalam penelitian biologi.