Setelah enam bulan sejak diumumkannya pada tanggal 8 Mei 2024, kini akhirnya program prediksi struktur protein paling canggih, AlphaFold3, dirilis juga kode sumbernya. Langkah ini akhirnya memberi nafas lega bagi para peneliti bioinformatika di bidang protein struktur 3D di seluruh dunia, meski sempat menyulut kontroversi dan banyak kekesalan banyak peneliti pada awal rilisnya.
Apa itu AlphaFold3?
AlphaFold3 adalah seri ketiga dari program prediksi protein AlphaFold yang dirilis pada 2024 [1]. Dua versi terdahulunya adalah AlphaFold (untuk membedakannya, kita sebut sebagai AlphaFold1) yang rilis 2018 [2] dan AlphaFold2 yang rilis 2021 [3].
AlphaFold adalah program prediksi protein berbasis AI, namun pendekatannya dalam prediksi protein ini berbeda antar versinya. Pada AlphaFold1, metode yang digunakan adalah kombinasi berbagai pembelajaran mesin (machine learning) dan model fisik dari molekul protein. AlphaFold1 kemudian dianggap kuno (obsolete) dan karenanya digantikan dengan Alphafold2. Pada AlphaFold2, metode yang digunakan adalah arsitektur jaringan syaraf dalam (deep neural network architecture) khusus yang dirancang untuk prediksi lipatan protein (protein folding prediction) [4].
Namun demikian, peneliti di Google DeepMind masih belum puas dan kemudian mengembangkan AlphaFold lebih lanjut. Hasilnya adalah lahirnya AlphaFold3. Dengan metode baru prediksi koordinat atom berbasis model difusi (diffusion model) yang dikembangkan oleh para peneliti Google DeepMind alih-alih hanya memodelkan berbasis template protein.
Dengan pendekatan ini, tidak hanya protein saja suatu protein saja yang dimodelkan, namun apapun yang berinteraksi padanya, daik DNA, RNA, ataupun protein [5, 6] Tak hanya itu, interaksi protein dan ligan ataupun antibodi juga dapat diprediksi dengan AlphaFold3 [7], yang mana krusial dalam pengembgan dan penemuan obat baru di masa depan.
Oleh karenanya, banyak peneliti berharap banyak dengan AlphaFold3 untuk mempercepat riset protein untuk bisa menarget sisi-sisi fungsional dari protein, sehingga membuka potensi untuk pengenalan situs di suatu protein untuk target obat ataupun menjadi tujuan untuk rekayasa struktur protein.
Kontroversi AlphaFold3
Meskipun demikian, rilisnya AlphaFold3 ini juga diwarnai kontroversi. Hal ini dikarenakan sangat powerful-nya tool ini, sempat ada keengganan dalam rilis kode sumber AlphaFold3. Hal ini bertolak belakang dengan apa yang dilakukan oleh Google DeepMind saat rilis kode sumber AlphaFold2 (https://github.com/google-deepmind/alphafold/).
Bahkan akses webserver AlphaFold3 (https://alphafoldserver.com/) juga dibatasi. Alasan isu keamanan biologis sempat dikutip oleh salah satu editor jurnal Nature untuk menanggapi kenapa AlphaFold3, yang mana terkesan mengada-ngada, bahkan bertentangan dengan kebijakan Nature sendiri tentang keterbukaan kode sumber [8]. Hal ini menyebabkan kesanksian para peneliti tentang AlphaFold3 dikarenakan prosesnya yang tidak transparan dan keberpihakan Nature kepada lembaga elit untuk melindungi kepentingannya.
Buntutnya, lebih dari 650 peneliti diseluruh dunia melayangkan surat terbuka [9] yang memprotes Nature dan juga Google DeepMind atas ketidak transparansian, ketidakkonsistensian, dan keberpihakan mereka. Bahkan salah satu penanda tangan surat terbuka itu, Erik Lindahl menuduh baik Google DeepMind and Nature berupaya mengkomersialisir teknologi AlphaFold3 [8]. Hal itu secara tersirat disampaikan oleh Pushmeet Kohli, Kepala pengembangan sains AI Google DeepMind, yang menyiratkan bahwa Google DeepMind juga tertarik untuk masuk ke dunia pengembangan obat dan telah membentuk Isomorphic Labs, sebuah anak perusahaan dari Google DeepMind yang memang berfokus kepada penemuan obat baru [10].
Setelah Kode Rilis, Apa Selanjutnya?
Pada akhirnya, Google DeepMind mengalah juga dengan tekanan kalangan akademik [11]. Kini kode sumber AlphaFold3 dirilis kepada publik dan bisa diakses pada https://github.com/google-deepmind/alphafold3 untuk kepentingan non-komersil. Seiring terbukanya AlphaFold3, banyak peneliti kemudian menyandarkan proyek-proyek lebih ambisius lagi, seperti MassiveFold [12] yang digadang-gadang menggabungkan kecanggihan metode prediksi protein AlphaFold3 dengan teknologi komputasi paralel yang diharapkan tidak hanya memodelkan protein lebih akurat, tapi juga mempercepat prediksi protein yang butuh waktu lama menjadi lebih cepat.
Dari kasus AlphaFold3 juga menjadi sebuah contoh tentang bagaimana konflik kepentingan dapat berpengaruh kepada perkembangan ilmu pengetahuan dan inovasi pada umumnya dan juga kemaslahatan umat manusia. Untuk itu, dibutuhkan keterbukaan pada komunitas ilmiah, konsistensi tindakan, pengambilan tindakan yang fair, dan penyelesaian konflik kepentingan yang baik untuk menjamin citra suatu produk/layanan, terlebih kepada produk yang nyata-nyata memberikan jasa kepada kesejahteraan manusia.
Referensi
[1] Abramson, J., et al. 2024. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature. 630: 493-500. doi: https://dx.doi.org/10.1038/s41586-024-07487-w.
[2] Senior, A.W., et al. 2019. Protein structure prediction using multiple deep neural networks in the 13th Critical Assessment of Protein Structure Prediction (CASP13). Protein: Structure, Function, Bioinformatics. 87: 1141-1148. doi: https://dx.doi.org/10.1002/prot.25834
[3] Jumper, J., et al. 2021. Highly accurate protein structure prediction with AlphaFold. Nature. 596: 583–589. doi: https://dx.doi.org/10.1038/s41586-021-03819-2.
[4] Reilly, C.P.J. 2023. Reaching its limit? AlphaFold2, how it works and the challenges it faces! https://medium.com/@carlpjreilly/reaching-its-limit-alphafold2-how-it-works-and-the-challenges-it-faces-70b0f5ffdf5d.
[5] Buntz, B. 2024. Meet AlphaFold 3, which can accurately model more than 99% of molecular types in the Protein Data Bank. https://www.drugdiscoverytrends.com/meet-alphafold-3-which-can-accurately-model-more-than-99-of-molecular-types-in-the-protein-data-bank/
[6] Service, R.F. 2024. Powerful new AI software maps virtually any protein interaction in minutes. https://www.science.org/content/article/powerful-new-ai-software-maps-virtually-any-protein-interaction-minutes.
[7] Thomason, J. 2024. Google’s AlphaFold 3 AI predicts the very building blocks of life. https://venturebeat.com/ai/googles-alphafold-3-ai-predicts-the-very-building-blocks-of-life/.
[8] Offord, C. 2024. Limits on access to DeepMind’s new protein program trigger backlash. https://www.science.org/content/article/limits-access-deepmind-s-new-protein-program-trigger-backlash.
[9] Wankowicz, S.A, et al. 2024. AlphaFold3 Transparency and Reproducibility. Zenodo. 2023: 11179893. doi: https://dx.doi.org/10.5281/zenodo.11179893.
[10] Callaway, E. 2024. Major AlphaFold upgrade offers boost for drug discovery. Nature. 629: 509-510. doi: https://dx.doi.org/10.1038/d41586-024-01383-z.
[11] Offord, C. 2024. Google DeepMind releases code behind its most advanced protein prediction program. https://www.science.org/content/article/google-deepmind-releases-code-behind-its-most-advanced-protein-prediction-program.
[12] Raouraoua, N., et al. 2024. MassiveFold: unveiling AlphaFold’s hidden potential with optimized and parallelized massive sampling. Nature Computational Science. Brief Comm. doi: https://dx.doi.org/10.1038/s43588-024-00714-4.
