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 metode komputasi biologis terus membuka pendekatan inovatif bagi pengembangan ilmu biomedis. Selama ini, ilmuwan menghadapi tantangan besar ketika menelusuri pertukaran sinyal biologis. Masing-masing sel tubuh memiliki hubungan dengan sel di sekitarnya. Berkat komunikasi molekuler, sel mengetahui perubahan kondisi sekitarnya. Informasi tersebut membantu mengarahkan spesialisasi sel. Dalam upaya mengurai mekanisme tersebut, peneliti MIT memperkenalkan model AI IRIS yang digunakan untuk menganalisis pola respons genetik.

Penelitian tersebut dipimpin oleh Pulin Li, anggota fakultas biologi Massachusetts Institute of Technology yang juga menjadi anggota Whitehead Institute. Mahasiswa pascasarjana Nicholas Hutchins menjadi bagian utama tim penelitian pendekatan tersebut. Model IRIS dibangun dengan pendekatan neural network untuk menganalisis perubahan aktivitas genetik. Berbeda dari metode yang meneliti setiap kombinasi sel secara terpisah, IRIS dapat mengenali karakteristik sinyal pada sel berbeda. Melalui kemampuan tersebut, analisis komunikasi antarsel menjadi lebih terarah.

Mekanisme Pemetaan Komunikasi Antarsel melalui Signaling Pathways

Untuk memahami kemampuan IRIS, perlu memahami prinsip pertukaran sinyal biologis. Berbagai jenis sel mengirimkan pesan melalui molekul tertentu yang berinteraksi dengan reseptor pada sel sasaran. Saat reseptor mengenali rangsangan, serangkaian reaksi dapat terjadi. Rangkaian reaksi ini merupakan bagian dari sistem transduksi sinyal. Respons terhadap rangsangan biologis mengatur gen yang aktif maupun tidak aktif. Melalui perubahan tersebut, sel berpeluang berkembang menjadi jenis khusus sesuai kondisi jaringan.

Peneliti MIT menemukan bahwa setiap jalur pensinyalan meninggalkan pola aktivitas gen yang khas. Pola tersebut menjadi penanda khas dari komunikasi sel. Keunggulan pendekatan ini, pola penanda dapat ditemukan lintas tipe sel. Berkat kesamaan tersebut, IRIS dapat menghubungkan ekspresi gen dengan sinyal terdahulu. Namun demikian, model tidak merekam percakapan sel secara langsung. Oleh sebab itu, kesimpulan perlu didukung pengujian laboratorium.

Transfer Learning Memungkinkan IRIS Mengenali Sinyal pada Jenis Sel Baru

Keunggulan penting dari model AI MIT adalah penerapan teknik transfer pengetahuan. Pada pengembangan model machine learning, transfer learning memungkinkan pengetahuan dari data pelatihan digunakan pada situasi terkait. Pada penelitian IRIS, data pelatihan berasal dari eksperimen terhadap sel punca embrionik manusia. Informasi biologis yang digunakan berisi pengukuran dari ribuan sel yang menerima berbagai kombinasi rangsangan. Melalui rancangan tersebut, IRIS berpotensi memperkirakan sinyal di luar jenis sel pelatihan.

Dalam proses pelatihan, tim menggunakan enam signaling pathways penting pada berbagai tahap perkembangan. Hasil ekspresi genetik digunakan untuk membangun atlas komunikasi biologis. Ketika proses pembelajaran selesai, peneliti menerapkan IRIS pada data embrio tikus. Dalam evaluasi ini, IRIS mampu memperkirakan aktivasi jalur sinyal pada sel yang belum dijumpai selama pelatihan. Pencapaian tersebut memberikan manfaat dalam analisis perkembangan tubuh, karena ilmuwan tidak harus melatih model terpisah untuk setiap jenis sel.

Pemanfaatan Data Sel Tunggal untuk Memahami Diferensiasi Embrionik

Tahap validasi yang menarik dilakukan menggunakan pengamatan individual pada sel embrio tikus. Peneliti memusatkan perhatian pada fase gastrulasi, yaitu tahap perkembangan embrio ketika sel mulai membentuk berbagai garis keturunan. Pada tahap tersebut, berbagai sel menerima petunjuk molekuler yang mengatur pembentukan jaringan tertentu. Dengan analisis berbasis model AI, peneliti mengidentifikasi kemungkinan jalur komunikasi pada bagian embrio tertentu. Kemampuan tersebut mendukung penelitian hubungan sinyal dengan pembentukan organ.

Sistem AI hasil penelitian MIT menunjukkan kemampuan mengidentifikasi aktivasi jalur pada garis keturunan sel jantung, struktur saluran pencernaan, otot, dan sumsum tulang belakang. Hasil tersebut menunjukkan hubungan aktivasi jalur dengan posisi sel. Sebagai contoh, dua sel dengan informasi genetik serupa dapat berkembang menjadi jaringan berbeda karena mengalami sejarah pensinyalan yang tidak identik. Dengan demikian, IRIS membantu menjelaskan proses spesialisasi sel, tetapi tetap membutuhkan pembuktian pada sistem biologis.

Potensi IRIS untuk Rekayasa Jaringan dan Pengembangan Organoid

Peluang penting dari penelitian IRIS berada pada penelitian tissue engineering. Untuk kebutuhan rekayasa jaringan, ilmuwan berusaha mengarahkan sel punca menjadi tipe sel tertentu. Meski sel punca dapat membentuk berbagai jenis sel, pengendalian diferensiasi membutuhkan banyak faktor. Selama proses pematangan, sel dapat merespons rangsangan biologis tertentu. Berkat kemampuan memperkirakan jalur pensinyalan, peneliti memiliki dasar untuk merancang eksperimen baru. Berkat penggunaan data biologis yang lebih terarah, proses pencarian kondisi diferensiasi mungkin menjadi lebih cepat.

Studi yang dilakukan tim MIT memiliki potensi penting bagi pengembangan miniatur organ. Organoid merupakan kumpulan sel laboratorium yang menyerupai aspek organ asli. Dalam penelitian penyakit, organoid berfungsi membantu pengamatan respons biologis. Peneliti menerapkan model tersebut untuk menganalisis kebutuhan pensinyalan pada sel pembentuk jaringan paru. Hasil analisis AI diperiksa kembali melalui pengujian biologis pada tikus. Berdasarkan eksperimen lanjutan, aktivasi jalur yang diprediksi mendukung perkembangan sel paru. Temuan tersebut memberikan dasar bagi pengembangan organoid paru untuk mempelajari asma dan fibrosis paru.

Masa Depan Teknologi IRIS untuk Penelitian Jaringan Manusia

Pengembangan model IRIS oleh MIT menunjukkan kemajuan penting dalam pengembangan teknologi biomedis. Dengan memanfaatkan pola aktivitas genetik, IRIS berhasil mengenali pola aktivasi jalur sinyal pada berbagai jenis sel. Kemampuan tersebut mengurangi ketergantungan pada pemetaan setiap jenis sel secara terpisah. Validasi menggunakan data perkembangan embrio menunjukkan kemampuan IRIS memperkirakan aktivasi sinyal. Namun demikian, kemampuan model tidak otomatis menghasilkan jaringan siap transplantasi. Dalam jangka panjang, pemetaan riwayat pensinyalan dapat membantu penelitian obat dan penyakit. Menurut pandangan Anda, apakah kecerdasan buatan untuk rekayasa jaringan akan membantu mempercepat penelitian medis? Silakan bagikan pendapat Anda mengenai masa depan pengobatan regeneratif berbasis sel.