Sebuah metode rekayasa protein yang memanfaatkan eksperimen sederhana dan ekonomis serta model pembelajaran mesin telah dikembangkan oleh tim peneliti dari University of Michigan. Metode tersebut diklaim mampu memprediksi protein mana yang akan efektif untuk tujuan tertentu dengan menggunakan data sederhana dan teknologi pembelajaran mesin.
Rekayasa protein adalah cabang ilmu yang berkaitan dengan modifikasi atau manipulasi struktur protein untuk menciptakan sifat atau fungsi baru yang berguna dalam berbagai aplikasi, mulai dari bidang industri hingga bidang medis. Dalam sebuah penelitian terbaru, para ilmuwan mencatat bahwa metode yang dikembangkan oleh tim peneliti dari University of Michigan memiliki potensi yang sangat luas dalam menyusun protein dan peptida untuk berbagai keperluan.
Salah satu contoh aplikasi yang potensial adalah dalam pengembangan terapi penyakit. Metode yang dikembangkan tersebut dapat membantu dalam mempercepat pengembangan peptida yang stabil untuk mengobati penyakit dengan cara yang belum dapat dilakukan oleh obat-obatan saat ini. Sebagai contoh, teknik ini dapat membantu meningkatkan kemampuan antibodi untuk berikatan dengan target patogen secara eksklusif dalam proses imunoterapi.
Marshall Case, salah satu penulis utama studi ini, menjelaskan bahwa aturan-aturan yang mengatur cara kerja protein, mulai dari urutan asam amino hingga struktur spasialnya, sangatlah kompleks. Kontribusi dari metode ini dalam memudahkan interpretasi upaya rekayasa protein sangatlah menarik.
Dibandingkan dengan metode konvensional, metode rekayasa protein yang dikembangkan menggunakan pendekatan yang lebih sederhana. Sebagian besar eksperimen rekayasa protein saat ini menggunakan metode yang kompleks, membutuhkan banyak tenaga kerja, dan instrumen yang mahal untuk mendapatkan data yang sangat akurat. Namun, metode yang lebih sederhana ini telah menunjukkan bahwa untuk banyak aplikasi, kita dapat menghindari metode-metode yang rumit tersebut.
Metode yang dikembangkan dimulai dengan memisahkan sel-sel ke dalam dua kelompok berdasarkan apakah mereka mengekspresikan sifat yang diinginkan atau tidak. Selanjutnya, data DNA dari sel-sel tersebut disekuensing untuk mengidentifikasi kode DNA yang mendasari protein yang diminati. Algoritma pembelajaran mesin kemudian digunakan untuk menganalisis data tersebut dan mengidentifikasi protein terbaik yang mungkin sesuai dengan kebutuhan.
Greg Thurber, salah satu penulis koresponden pada penelitian ini, menyatakan kekagumannya terhadap kekokohan teknik ini menggunakan data penyortiran sederhana. Metode ini menggunakan model pembelajaran mesin linear yang lebih mudah diinterpretasikan dibandingkan dengan model yang lebih kompleks, sehingga meningkatkan aksesibilitasnya.
Penelitian dilakukan di beberapa fasilitas di University of Michigan, termasuk di Advanced Genomics Core, Center for Structural Biology, Biological Mass Spectrometry Facility, dan Proteomics & Peptide Synthesis Core. Dengan adanya metode ini, diharapkan dapat memberikan kontribusi yang signifikan dalam pengembangan berbagai aplikasi dalam rekayasa protein dan pengembangan obat-obatan.
Referensi:
[1] https://news.umich.edu/a-simple-and-robust-experimental-process-for-protein-engineering/ diakses pada 30 Maret 2024
[2] Marshall Case, Matthew Smith, Jordan Vinh, Greg Thurber. Machine learning to predict continuous protein properties from binary cell sorting data and map unseen sequence space. Proceedings of the National Academy of Sciences, 2024; 121 (11) DOI: 10.1073/pnas.2311726121
Alumni S1 Kimia Universitas Negeri Makassar. Pengajar kimia, penulis di warstek.com.