Kemajuan AI untuk sains semakin terlihat pada pekerjaan yang selama ini menghabiskan waktu peneliti: membaca hasil eksperimen, menghubungkan perubahan gen dengan fungsi sel, lalu mencari penjelasan dalam ribuan publikasi. Pada 21 Oktober 2026, OpenAI bersama PerturbAI dan Scripps Research mengumumkan bahwa ribuan agen AI yang dijalankan secara paralel telah menelaah data eksperimen dari jutaan sel otak tikus dalam 32 menit. Hasilnya bukan obat baru dan bukan pembuktian mekanisme penyakit, melainkan peta penalaran yang menyaring hipotesis biologis untuk diuji lebih lanjut. Perbedaan ini penting agar pembaca tidak mengartikan percepatan analisis sebagai terobosan klinis yang sudah siap diterapkan.
Apa sebenarnya yang dikerjakan agen AI?
Penelitian tersebut menggunakan atlas CRISPR seluruh otak: sekumpulan data yang mencatat perubahan respons berbagai jenis sel ketika gen tertentu terganggu. Setiap agen memeriksa satu gangguan genetik, menelaah respons sel, mencari literatur ilmiah yang relevan, lalu merumuskan penjelasan yang mungkin. Ribuan laporan tersebut digabungkan menjadi reasoning atlas, yaitu jejaring yang menghubungkan gen, perubahan seluler, referensi ilmiah, dan dugaan mekanisme. Dengan desain seperti ini, AI tidak menggantikan eksperimen, tetapi memperluas kemampuan peneliti untuk menafsirkan eksperimen yang sudah ada.
Pekerjaan terberat bukan sekadar menghitung jutaan baris data. Kesulitannya adalah menemukan makna biologis di antara data yang tersebar, menghindari penjelasan yang tampak masuk akal tetapi tidak didukung literatur, dan menentukan eksperimen mana yang layak mendapat sumber daya laboratorium. Pengembang menyebut pendekatan tersebut sebagai distributed biological reasoning. Dalam praktiknya, agen membagi pekerjaan yang bisa dikerjakan secara terpisah, kemudian hasilnya disatukan untuk diperiksa manusia.
Angka penting dan cara membacanya
OpenAI melaporkan proses analisis selesai dalam 32 menit, sementara pekerjaan manual yang sebanding—dilakukan satu gangguan genetik demi satu—diperkirakan memerlukan berbulan-bulan hingga sekitar satu tahun. Perkiraan waktu manual ini merupakan estimasi tim riset, bukan hasil uji acak terhadap laboratorium-laboratorium independen. Pada beban kerja terbesar, agen terdistribusi mengutip lebih dari 700 referensi, sedangkan agen tunggal hanya 11. Dalam perbandingan tersamar, pakar manusia memilih laporan agen terdistribusi dibanding agen tunggal pada 75 persen kasus.
Angka 700 lawan 11 menunjukkan luasnya penelusuran literatur, bukan bukti bahwa setiap rujukan tepat atau seluruh hipotesis benar. Demikian pula preferensi pakar sebesar 75 persen menunjukkan penilaian mutu laporan dalam pengujian tertentu, bukan akurasi diagnostik. Keberhasilan ilmiah baru bisa dipastikan setelah hipotesis diuji melalui eksperimen lanjutan, direplikasi oleh tim lain, dan—bila menyangkut kesehatan manusia—melewati rangkaian validasi praklinis serta klinis.
Dua petunjuk biologis yang menarik
Contoh pertama menyangkut Tsc1 dan Tsc2, dua gen yang berkaitan dengan pengaturan jalur mTOR, yaitu sistem penting dalam pertumbuhan dan metabolisme sel. Dalam sejumlah kelompok neuron, gangguan kedua gen tampak menghasilkan respons mirip. Namun pada cerebellum, gangguan Tsc2 mengubah aktivitas puluhan gen yang terkait komunikasi neuron, sementara gangguan Tsc1 relatif kecil. Perbedaan tersebut dapat membantu ilmuwan menyusun pertanyaan yang lebih spesifik mengenai kondisi neurologis tertentu, tetapi belum membuktikan jalur terapi baru.
Contoh kedua melibatkan DCTN1, gen yang mutasinya berhubungan dengan Perry syndrome, penyakit neurodegeneratif dengan gejala menyerupai Parkinson. Ketika Dctn1 diganggu dalam atlas sel tikus, ekspresi gen terkait sintesis kolesterol meningkat. Agen AI menghubungkannya dengan literatur mengenai distribusi kolesterol di neuron dan mengusulkan pengujian apakah gangguan transport kolesterol ikut berperan dalam kerusakan sel. Hipotesis tersebut menarik karena mengarahkan percobaan, tetapi hubungan sebab-akibat pada manusia belum dipastikan.
Tabel: hasil yang dilaporkan dan batas pembuktiannya
| Indikator | Temuan yang dilaporkan | Yang belum dibuktikan |
|---|---|---|
| Waktu analisis | 32 menit untuk data jutaan sel otak tikus | Tidak sama dengan penemuan obat dalam 32 menit |
| Cakupan literatur | >700 rujukan agen terdistribusi versus 11 agen tunggal | Jumlah kutipan bukan ukuran otomatis kebenaran |
| Penilaian ahli | 75% memilih laporan terdistribusi dalam uji tersamar | Bukan tingkat keberhasilan klinis |
| Output utama | Reasoning atlas dan hipotesis untuk eksperimen | Belum menjadi terapi yang disetujui |
Mengapa ini penting bagi laboratorium dan universitas Indonesia?
Banyak lembaga penelitian menghadapi kesenjangan antara kemampuan menghasilkan data dan kapasitas manusia untuk membacanya secara mendalam. Analisis berbasis agen berpotensi membantu tim kecil menelaah dataset publik, memetakan hipotesis, dan menyusun agenda validasi. Namun lembaga Indonesia tidak perlu langsung meniru skala ribuan agen. Langkah awal yang lebih masuk akal adalah memilih dataset terbuka, menjalankan pilot terbatas, mencatat sumber setiap klaim, dan meminta ahli domain memeriksa interpretasi sebelum hasilnya dipublikasikan.
Syarat berikutnya adalah tata kelola data. Data pasien, data genomik sensitif, dan dokumen penelitian yang belum dipublikasikan memerlukan izin serta perlindungan berbeda dari dataset publik. Penggunaan layanan cloud atau model pihak ketiga harus mengikuti kebijakan lembaga, persetujuan etis, serta pengaturan kontrak mengenai penyimpanan dan pemakaian data. Kecepatan AI tidak boleh menjadi alasan melewati persetujuan komite etik atau proses replikasi.
Pertanyaan editorial yang masih terbuka
Masih ada beberapa pertanyaan yang perlu dijawab oleh penelitian lanjutan: berapa biaya komputasi per hipotesis berkualitas, seberapa besar kesalahan sitasi yang tersisa, bagaimana hasil berubah pada dataset laboratorium lain, dan apakah pembagian tugas tetap efektif ketika pekerjaan agen saling bergantung. Uji independen juga diperlukan untuk menilai bias pemilihan hipotesis serta kemungkinan sistem mengulang asumsi yang keliru dari literatur. Penilaian ilmiah harus membandingkan keluaran agen dengan baseline manusia dan metode bioinformatika yang sudah mapan.
Pelajaran utamanya ialah bahwa AI mulai mempercepat tahap perumusan pertanyaan penelitian. Nilai ekonominya mungkin terletak pada berkurangnya waktu untuk memilih eksperimen, bukan semata-mata banyaknya token yang diproses. Namun nilai tersebut baru nyata jika hipotesis AI dapat direproduksi dan membantu menghasilkan pengetahuan yang lebih andal, bukan hanya laporan yang tampak canggih.
Sumber dan catatan metodologi
Tulisan ini mengutamakan dokumen primer dan membedakan hasil penelitian, klaim pengembang, serta analisis redaksi. Rujukan: OpenAI, Using thousands of AI agents to uncover new leads in biological data (21 Oktober 2026).
Leave a Reply