Mengapa kembaran digital sebuah sel itu penting

Penemuan obat saat ini adalah sebuah perjudian. Peneliti menghabiskan waktu bertahun-tahun untuk menyempurnakan molekul, lalu mengujinya pada sel, hewan, dan akhirnya manusia. Sebagian besar kandidat tidak pernah berhasil melewati uji coba manusia tahap awal. Model komputasi yang andal yang dapat meramalkan respons seluler akan memungkinkan para ilmuwan untuk membuang senyawa yang tidak prospektif lebih awal dan memfokuskan sumber daya pada kandidat yang paling menjanjikan.

Arc memperlakukan sel sebagai sebuah sistem yang dapat disimulasikan secara in silico, mirip dengan bagaimana insinyur memodelkan pesawat terbang sebelum benar-benar lepas landas. Jika simulasi tersebut mereproduksi perubahan ekspresi gen yang akan ditunjukkan oleh sel nyata di bawah gangguan (perturbation) tertentu, kebutuhan akan eksperimen yang mahal dan memakan waktu akan berkurang secara drastis.

Model “State” – sebuah transformer yang dilatih pada 100 juta sel

Di jantung platform ini terdapat jaringan saraf bergaya transformer yang disebut tim sebagai State. Transformer menggerakkan model bahasa besar; di sini, mereka menyerap data biologis alih-alih teks. State belajar dari kumpulan terkurasi berisi 100 juta pengukuran sel tunggal (single-cell), menangkap hubungan statistik antara gangguan genetik dan pola ekspresi hilir (downstream).

Arc menyatakan bahwa State mengungguli model-model sebelumnya yang mengandalkan teknik statistik yang lebih sederhana. Tim tersebut juga mengakui keterbatasan utama: ketika model menghadapi jenis sel yang belum pernah dilihat selama pelatihan, prediksinya menurun. Para peneliti memperkirakan bahwa model yang “sempurna”—yang dapat digeneralisasi ke semua jenis sel manusia—masih berjarak sekitar satu dekade lagi.

Menguji model tersebut: Virtual Cell Challenge

Untuk mengukur seberapa baik State dan pendekatan lainnya bekerja dalam pengaturan yang realistis, Arc menyelenggarakan kompetisi publik yang disebut Virtual Cell Challenge. Peserta menerima kumpulan data yang sulit dan diminta untuk memprediksi hasil ekspresi gen untuk gangguan yang belum pernah terlihat. Hasilnya cukup mengejutkan: banyak tim AI berkinerja lebih buruk daripada rata-rata matematis naif dari data pelatihan.

Hasil tersebut menggarisbawahi poin yang lebih luas yang telah diperjuangkan oleh bidang ini: model deep-learning murni, bahkan yang besar sekalipun, akan tersandung ketika data input berisik (noisy), jarang (sparse), atau heterogen secara biologis. Pengiriman yang berhasil memasangkan jaringan saraf dengan metode statistik klasik, menunjukkan bahwa alur kerja hibrida mungkin menjadi jalan maju dalam jangka pendek.

Membersihkan kekacauan: pipa data scBaseCount

Salah satu hambatan terbesar dalam membangun model seperti State adalah kualitas data. Pengukuran sel tunggal mentah dipenuhi dengan efek batch (batch effects), nilai yang hilang, dan anotasi yang tidak konsisten. Arc menjawabnya dengan merekayasa rangkaian agen AI yang mengotomatiskan kurasi data, yang secara kolektif disebut scBaseCount.

  • Agen Finder merayapi repositori publik dan mengunduh file mentah.
  • Agen Organizer menstandarisasi format, menyelaraskan metadata, dan menyelesaikan konflik penamaan.
  • Sebuah agen supervisor mengaudit hasil, menandai anomali untuk ditinjau oleh manusia.

Pipa data ini telah menyusun repositori berisi sekitar 500 juta sel—empat kali lebih besar dari koleksi publik terbesar sebelumnya. Volume yang sangat besar, ditambah dengan pembersihan sistematis, memberikan State landasan pelatihan yang lebih kaya dan lebih andal daripada upaya sebelumnya.

Belajar sambil melakukan: loop umpan balik

Arc tidak hanya mengandalkan data historis. Platform ini menjalankan siklus pembelajaran aktif (active-learning): AI mengusulkan eksperimen baru, laboratorium mengeksekusinya, dan hasilnya mengalir kembali ke dalam model. Dalam praktiknya, seorang agen AI memilih gen untuk dinonaktifkan (knock out) atau obat untuk diterapkan, eksperimen dijalankan pada sel nyata, dan perubahan ekspresi yang diamati menyempurnakan parameter State.

Loop ini melayani dua tujuan. Pertama, ia terus memperluas set pelatihan dengan titik data yang mengisi celah buta (blind spots) model saat ini. Kedua, ia menyediakan langkah verifikasi bawaan, memastikan prediksi didasarkan pada bukti empiris dan bukan sekadar diterima begitu saja.

Apa artinya ini bagi insinyur AI dan perusahaan bioteknologi

Pengungkapan publik Arc dapat disederhanakan menjadi dua pelajaran praktis:

  1. Kualitas data lebih penting daripada kompleksitas model. Sebuah transformer canggih yang dilatih pada data yang berisik dan tidak lengkap akan berkinerja lebih buruk daripada algoritma yang lebih sederhana yang diberi input yang dikurasi dengan cermat. Pipeline scBaseCount mengingatkan kita bahwa berinvestasi dalam rekayasa data dapat memberikan keuntungan yang lebih besar daripada sekadar mengejar ukuran model yang terus membesar.
  2. Loop verifikasi sangatlah penting. Memercayai output model tanpa pemeriksaan eksternal sangat berisiko, terutama dalam biologi di mana banyak terdapat variabel pengganggu (confounders) yang tidak diketahui. Menanamkan agen yang melakukan validasi silang satu sama lain—atau yang membandingkan prediksi dengan eksperimen dunia nyata—menciptakan jaring pengaman yang dapat menangkap kesalahan sistematis sejak dini.

Jalan ke depan dan para skeptis

Meskipun potensinya jelas, teknologi ini masih jauh dari solusi siap pakai. Kesulitan State dengan tipe sel yang belum pernah terlihat menandakan bahwa model tersebut masih kurang memiliki pemahaman sejati tentang biologi yang mendasarinya. Hasil Virtual Cell Challenge menunjukkan bahwa tim AI dengan pendanaan besar sekalipun dapat dikalahkan oleh baseline sederhana ketika masalahnya tidak terdefinisi dengan baik (ill-posed).