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 sistem pembelajaran mesin menghadirkan peluang baru bagi kajian pembentukan jaringan tubuh. Dalam penelitian perkembangan embrio, ilmuwan membutuhkan metode yang kompleks ketika menelusuri pertukaran sinyal biologis. Setiap sel tidak bekerja secara terpisah. Berkat komunikasi molekuler, sel menerima informasi mengenai lingkungan. Rangkaian sinyal tersebut memengaruhi pembentukan berbagai jenis jaringan. Sebagai langkah mempelajari komunikasi biologis, peneliti MIT menciptakan 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 tergabung dalam Whitehead Institute for Biomedical Research. Mahasiswa pascasarjana Nicholas Hutchins menjadi bagian utama tim penelitian pendekatan tersebut. Perangkat analisis berbasis AI tersebut memanfaatkan arsitektur pembelajaran mesin untuk menganalisis perubahan aktivitas genetik. Sebagai alternatif terhadap pendekatan pengujian satu per satu, IRIS membantu memperkirakan jalur komunikasi pada berbagai tipe sel. Melalui kemampuan tersebut, peneliti dapat mengurangi kebutuhan pengujian berulang.

Teknologi Machine Learning Membaca Jejak Aktivitas Genetik

Sebagai dasar memahami penelitian ini, perlu memahami prinsip pertukaran sinyal biologis. Jaringan sel biologis mengirimkan pesan melalui molekul tertentu yang ditangkap melalui sistem penerima biologis. Setelah molekul pemberi pesan berinteraksi, serangkaian reaksi dapat terjadi. Mekanisme penyampaian informasi tersebut merupakan bagian dari sistem transduksi sinyal. Aktivasi jalur tertentu mengatur gen yang aktif maupun tidak aktif. Sebagai hasilnya, sel berpeluang berkembang menjadi jenis khusus sesuai kondisi jaringan.

Hasil penelitian menunjukkan bahwa setiap jalur pensinyalan meninggalkan pola aktivitas gen yang khas. Jejak molekuler tersebut dapat dipahami sebagai sidik jari biologis. Yang menarik, fingerprint suatu jalur relatif konsisten pada berbagai jenis sel. Dengan memanfaatkan pola yang konsisten, IRIS dilatih untuk memperkirakan jalur sinyal yang pernah aktif. Namun demikian, hasil analisis merupakan inferensi berdasarkan pola genetik. Dengan mempertimbangkan mekanismenya, prediksi model tetap memerlukan validasi biologis.

Keunggulan Pembelajaran Transfer dalam Analisis Komunikasi 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. Melalui sistem analisis yang dikembangkan, peneliti memanfaatkan pengukuran pada human embryonic stem cells. Dataset tersebut menggunakan sejumlah besar pengamatan seluler yang menerima berbagai kombinasi rangsangan. Berkat proses pembelajaran itu, IRIS berpotensi memperkirakan sinyal di luar jenis sel pelatihan.

Pada tahap pengembangan dataset, tim menggunakan enam signaling pathways penting pada sejumlah waktu pengamatan. Hasil ekspresi genetik digunakan untuk membangun atlas komunikasi biologis. Setelah model dilatih, peneliti menguji sistem menggunakan sel dari embrio tikus. Hasilnya, IRIS mampu memperkirakan aktivasi jalur sinyal pada sel yang belum dijumpai selama pelatihan. Hasil pengujian ini membuka peluang pemetaan jaringan biologis lebih luas, karena pengujian setiap kombinasi sel dapat dikurangi.

Pemanfaatan Data Sel Tunggal untuk Memahami Diferensiasi Embrionik

Pengujian utama setelah pelatihan dilakukan menggunakan data sel tunggal dari embrio tikus. Tim ilmuwan melakukan analisis pada fase gastrulasi, yaitu tahap perkembangan embrio ketika sel mulai membentuk berbagai garis keturunan. Dalam periode perkembangan ini, sel berkembang mengikuti kombinasi instruksi biologis yang memengaruhi arah diferensiasi. Dengan analisis berbasis model AI, peneliti menelusuri pola pensinyalan sepanjang perkembangan. Pendekatan analisis tersebut membantu memahami penyusunan struktur tubuh.

Pendekatan analisis baru tersebut menunjukkan kemampuan mengidentifikasi aktivasi jalur pada garis keturunan sel jantung, jaringan usus, jaringan muskular, dan struktur saraf pada tulang belakang. Temuan pengujian ini memperlihatkan bagaimana sinyal berbeda mengarahkan pembentukan jaringan. Sebagai contoh, sel yang berasal dari embrio sama dapat berkembang menjadi jaringan berbeda karena menerima kombinasi sinyal berbeda. Dengan demikian, IRIS membantu menjelaskan proses spesialisasi sel, tetapi belum menggantikan pengamatan eksperimen langsung.

Model Komunikasi Antarsel Membantu Ilmuwan Membuat Jaringan Laboratorium

Peluang penting dari penelitian IRIS berada pada pembuatan jaringan biologis di laboratorium. Pada penelitian biomedis modern, ilmuwan berusaha mengarahkan sel punca menjadi tipe sel tertentu. Namun demikian, pengendalian diferensiasi membutuhkan banyak faktor. Setiap tahap, sel memerlukan petunjuk molekuler sesuai waktunya. Melalui pemetaan yang dilakukan IRIS, peneliti memiliki dasar untuk merancang eksperimen baru. Melalui pendekatan tersebut, eksperimen dapat dirancang menggunakan informasi lebih lengkap.

Penelitian tersebut juga berkaitan dengan pembuatan organoid. Organoid merupakan model biologis mini yang merepresentasikan fungsi tertentu jaringan. Dalam penelitian penyakit, organoid memberikan sarana mempelajari mekanisme seluler. Tim MIT menggunakan IRIS untuk memperkirakan jalur yang mendukung perkembangan jenis sel paru tertentu. Hasil analisis AI selanjutnya divalidasi menggunakan penelitian embrio tikus. Berdasarkan eksperimen lanjutan, temuan laboratorium menguatkan prediksi IRIS. Keberhasilan validasi itu mendukung penelitian jaringan pernapasan 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 pengembangan teknologi biomedis. Dengan memanfaatkan pola aktivitas genetik, IRIS dapat mengidentifikasi jejak komunikasi biologis pada tipe sel yang berbeda. Kemampuan tersebut mendukung penggunaan pengetahuan lintas tipe sel. Pengujian pada embrio tikus memberikan dasar bagi pengembangan pendekatan rekayasa jaringan. Namun demikian, kemampuan model tidak otomatis menghasilkan jaringan siap transplantasi. Untuk pengembangan selanjutnya, pemahaman terhadap komunikasi antarsel berpotensi mendukung pengembangan organoid yang lebih akurat. Bagaimana menurut Anda, apakah kecerdasan buatan untuk rekayasa jaringan akan membantu mempercepat penelitian medis? Sampaikan pandangan Anda mengenai masa depan pengobatan regeneratif berbasis sel.