AlphaFold3 Modifikasi Berhasil Prediksi Perubahan Konformasi Protein

Perubahan konformasi protein memegang peranan krusial dalam fungsi biologis, namun tantangan besar masih dihadapi oleh kecerdasan buatan canggih seperti AlphaFold3 untuk memprediksi pergerakan tersebut. Periset dari Institute for Molecular Science (IMS) serta Graduate University for Advanced Studies (SOKENDAI) memperkenalkan gaya tolak-menolak di antara struktur prediktif yang memungkinkan AlphaFold3 membaca berbagai status konformasi dengan efektif pada 1 September 2026.

Protein sendiri tersusun dari rantai asam amino yang melipat menjadi struktur tiga dimensi spesifik, lalu beralih bentuk atau konformasi saat berinteraksi dengan ligan guna menjalankan fungsi penting di dalam tubuh. Meskipun AlphaFold yang dikembangkan oleh periset Google DeepMind telah meraih Hadiah Nobel Kimia 2024 berkat akurasi struktur prediksinya, sistem tersebut umumnya hanya menampilkan satu bentuk konformasi tunggal.

Keterbatasan dalam mendeteksi banyak bentuk konformasi ini mendorong tim peneliti di bawah pimpinan Jun Ohnuki dan Kei-ichi Okazaki untuk menciptakan metode berbasis AlphaFold yang baru. Melalui penambahan istilah energi bias yang memunculkan gaya tolak-menolak, model difusi generatif pada sistem tersebut kini mampu menghindari pengulangan prediksi bentuk yang sama demi mendapatkan sampel bentuk alternatif.

Metode baru yang dinamai AF3-ReD ini sukses diterapkan untuk memprediksi perubahan konformasi pada beragam jenis protein, termasuk pengujian pada F1beta yang mampu mencapai bentuk terbuka, tertutup, serta transisi menengah secara presisi. Keberhasilan ini membuka peluang besar bagi percepatan riset desain obat serta analisis mendalam mengenai pergerakan protein dari waktu ke waktu.

Penerapan Metode AF3-ReD dalam Riset Biologi Modern

Penerapan metode AF3-ReD terbukti mampu mengatasi kendala utama dalam pemodelan struktur protein yang sebelumnya sulit dijangkau menggunakan pengaturan bawaan AlphaFold3. Pendekatan inovatif ini memanfaatkan model difusi generatif yang menggerakkan atom-atom protein dari kondisi acak menuju struktur berenergi rendah secara akurat.

Dalam studi yang dipublikasikan pada jurnal JACS Au dengan nomor DOI 10.1021/jacsau.6c00596, para ilmuwan menjelaskan bahwa penambahan bias tolakan memberikan keleluasaan bagi sistem komputer untuk mengeksplorasi ragam konformasi lain. Langkah ini secara signifikan meningkatkan kemampuan pemindaian struktur tanpa mengorbankan kualitas data yang dihasilkan.

Selain membantu pemahaman mekanisme molekuler secara mendalam, pemanfaatan model difusi dengan bias tolakan juga diharapkan dapat diintegrasikan ke dalam perancangan kandidat obat baru di masa depan. Kombinasi teknologi kecerdasan buatan ini memberikan landasan kuat bagi pengembangan riset farmasi dan bioteknologi yang lebih efisien.

Pengembangan lanjutan dari metode ini diprediksi bakal memperluas cakupan aplikasi kecerdasan buatan dalam ilmu hayati, khususnya dalam menganalisis dinamika perubahan bentuk protein secara cepat dan akurat.