Model AI TITO Percepat Simulasi Molekuler…
Sebuah tim peneliti dari Chalmers University of Technology dan University of Gothenburg di Swedia telah mengembangkan model AI bernama TITO (Transferable Implicit Transfer Operators) yang terbukti lebih dari 10.000 kali lebih cepat dibandingkan simulasi molekuler konvensional, sebuah terobosan yang berpotensi memangkas waktu pengembangan obat selama lebih dari satu dekade. Penelitian ini diterbitkan dalam jurnal Science Advances pada 11 Juni 2026 dan membuka jalan bagi identifikasi kandidat obat yang lebih cepat serta akurasi lebih tinggi pada tahap awal pengembangan terapi baru.
Bagaimana TITO Bekerja
Model deep generative ini mempelajari aturan statistik gerak molekul langsung dari data simulasi, sehingga mampu memprediksi evolusi konfigurasi atomik pada skala waktu yang jauh lebih panjang tanpa bergantung pada perhitungan numerik langkah demi langkah seperti dinamika molekuler tradisional yang memerlukan langkah sekitar satu femtodetik.
"Yang membedakan model AI kami adalah ia mempelajari dinamika mendasar pada skala waktu yang lebih panjang. Model ini tidak hanya memberikan wawasan tentang bentuk yang diambil molekul, tetapi juga tentang seberapa cepat dan melalui jalur mana transisi molekuler tersebut terjadi," kata Simon Olsson, pemimpin penelitian dan Associate Professor di Departemen Ilmu Komputer dan Teknik, Chalmers University of Technology serta University of Gothenburg.
Olsson menambahkan bahwa sejauh pengetahuan mereka, ini pertama kalinya pendekatan semacam ini berhasil diterapkan secara luas untuk berbagai jenis molekul berbeda.
Uji Coba dan Validasi
Studi tersebut menguji lebih dari 12.500 molekul organik serta lebih dari seribu peptide pendek. Olsson menjelaskan bahwa model dilatih menggunakan contoh simulasi pergerakan atom seiring waktu, sehingga mampu memprediksi perilaku molekul baru sambil tetap konsisten dengan hukum fisika. Konsistensi ini divalidasi melalui simulasi pasca-pemrosesan ekstensif yang menggunakan algoritma numerik standar.
Meskipun didasarkan pada contoh di mana model hanya mengamati apa yang terjadi selama puluhan nanodetik, model ini mampu memprediksi perubahan molekul yang terjadi pada periode seribu kali lebih panjang. Kemampuan generalisasi inilah yang membuatnya dapat diterapkan pada molekul yang belum pernah dihadapi selama pelatihan, karena ia mempelajari aturan umum gerak molekul alih-alih menghafal sistem individual.
"Ada pola tertentu yang membantu model kami identifikasi. Model AI ini didasarkan pada sejumlah contoh, di mana ia hanya mengamati apa yang terjadi selama periode puluhan nanodetik. Namun demikian, ia dapat memprediksi sifat dan perubahan molekul yang terjadi selama periode seribu kali lebih panjang. Jadi, dengan bantuan kecerdasan buatan, kami dapat mengetahui apa yang kemungkinan akan terjadi di 'masa depan molekuler'. Ia dapat memprediksi bagaimana molekul berubah meskipun ia belum pernah melihat proses tersebut berlangsung," jelas Olsson.
Juan Viguera Diez, mahasiswa doktoral industri di AstraZeneca serta penulis utama artikel tersebut dari Departemen Ilmu Komputer dan Teknik di Chalmers dan University of Gothenburg, menyatakan bahwa untuk memprediksi fenomena fisik yang ditampilkan molekul, peneliti perlu memahami fisika mendasar perilaku sistem, dan mereka percaya merupakan salah satu yang pertama membuktikan hal ini secara umum.
Prospek dan Tantangan
Metode ini saat ini baru diuji pada sistem molekul kecil dalam model pelarut sederhana pada suhu tertentu, dan sedang dikembangkan lebih lanjut untuk sistem yang lebih kompleks dan realistis. Penelitian ini menarik minat signifikan dari industri farmasi, dengan harapan model AI semacam ini dapat membantu mengidentifikasi kandidat obat yang menjanjikan lebih cepat dan meningkatkan akurasi pada tahap awal. Hal ini pada akhirnya diharapkan dapat memfasilitasi pengembangan obat dan terapi baru serta memperdalam pemahaman tentang penyakit.