Bagaimana kehidupan ini dimulai?

MIT

BIOTECHNOLOGY AND HEALTH

Bagaimana kehidupan ini dimulai?

AI sedang membantu para kimiawan menguak misteri seputar asal-usul kehidupan dan mendeteksi tanda-tanda kehidupan di dunia berbeda.

oleh Michael Marshall

The Biggest Questions adalah sebuah mini-seri yang mengeksplorasi bagaimana teknologi dapat membantu memecahkan beberapa pertanyaan terdalam dan paling mengejutkan tentang eksistensi kita.

Bagaimana kehidupan dimulai adalah salah satu pertanyaan terbesar dan tersulit dalam sains. Yang kita tahu, sesuatu telah terjadi di Bumi lebih dari 3,5 miliar tahun yang lalu, dan mungkin juga terjadi di dunia lain di alam semesta. 

Namun, kita tidak tahu apa yang menyebabkannya. Entah bagaimana, campuran bahan kimia yang tidak hidup seperti air dan metana harus melebur dan menyesuaikan diri, menjadi semakin kompleks dan terkoordinasi, hingga akhirnya membentuk sel hidup.

Salah satu kesulitan terbesar adalah kerumitan masalahnya: bahkan bakteri yang paling sederhana pun memiliki lebih dari 100 gen dan mengandung ratusan jenis molekul, semuanya berinteraksi dengan sangat cepat dalam tarian mikroskopis. Lingkungan di Bumi purba juga pasti sangat rumit: sejumlah besar bahan kimia yang berbeda, mulai dari logam dan mineral hingga air dan gas, semuanya disebarkan oleh angin dan letusan gunung berapi.

"Ruang parameter eksperimental hampir tak terbatas," kata Wilhelm Huck, seorang ahli kimia di Universitas Radboud di Nijmegen, Belanda.

Kini, beberapa peneliti mencoba sebuah pendekatan baru: memanfaatkan AI untuk menentukan kondisi yang tepat. Secara spesifik, beberapa kelompok telah mulai menggunakan tools machine learning yang dapat mengidentifikasi pola dalam dataset yang terlalu besar dan kompleks untuk dipahami oleh otak manusia.

Harapannya, alat ini akan membantu para peneliti mencapai apa yang biasanya membutuhkan waktu puluhan tahun. Dengan menunjukkan jalan menuju proses tercepat dan terkuat untuk menghasilkan kompleksitas, mereka dapat membantu kita menyusun teori universal tentang asal-usul kehidupan-yang tidak hanya berlaku di Bumi tapi juga di dunia lain.

Ini masih hari-hari awal-tetapi sudah ada beberapa kemajuan yang signifikan.

Menciptakan kehidupan dari awal

Masalah asal-usul kehidupan setidaknya sebagian berkaitan dengan kimia: campuran bahan kimia apa, dalam kondisi apa, yang diperlukan untuk membentuk kehidupan? " Ilmu kimia akan menjawab pertanyaan ini-salah satu pertanyaan terdalam yang dimiliki manusia," kata Leroy "Lee" Cronin, seorang ahli kimia di University of Glasgow di Inggris.

Studi tentang asal-usul kehidupan dimulai dengan sebuah eksperimen yang dipublikasikan pada tahun 1953. Stanley Miller, seorang mahasiswa pascasarjana yang diawasi oleh ahli kimia Harold Urey, mencampurkan air dan tiga gas ke dalam tabung kaca, yang dipanaskan dan diberi gelombang listrik yang meniru petir yang diasumsikan secara teratur menyambar Bumi yang masih relatif muda. Dalam beberapa hari, eksperimen ini menghasilkan glisin, asam amino paling sederhana dan salah satu bahan penyusun protein.

Meskipun eksperimen Miller tidak menghasilkan kehidupan atau sesuatu yang mendekati kehidupan, eksperimen ini menjadi ikonik karena relatif tidak diawasi: Miller hanya mengaturnya dan membiarkannya berjalan. Hal ini dimaksudkan untuk meniru kondisi di Bumi yang masih muda, di mana tidak ada ahli kimia sintetis yang memandu reaksi kimia hingga akhir yang "benar". Namun, realisme yang diklaim sebagai eksperimen ini juga menjadi masalah: eksperimen ini menghasilkan begitu banyak bahan kimia sehingga mengidentifikasi semua bahan kimia dan memahami bagaimana bahan kimia itu terbentuk hampir tidak mungkin.

Banyak eksperimen berikutnya dalam bidang kimia "prebiotik" yang telah dikontrol dengan lebih hati-hati. Mereka telah berhasil memproduksi lebih banyak asam amino, gula, dan bahan kimia kehidupan lainnya.

Namun, tidak jelas apakah reaksi yang dikontrol dengan cermat seperti itu akan terjadi tanpa campur tangan manusia-dan karena itu, reaksi-reaksi tersebut tidak memberi tahu kita apa pun tentang Bumi purba. Yang diinginkan oleh para peneliti adalah cara untuk kembali ke eksperimen Miller, menemukan cara yang lebih baik untuk mengeksplorasi apa yang terjadi dalam campuran kompleks yang tidak terkendali.

Di situlah machine learning bisa berperan. Teknologi ini telah diterapkan pada masalah-masalah yang ada di bidang biologi: khususnya, sistem Google DeepMind, AlphaFold, telah berhasil memprediksi bentuk lipatan 3D dari ribuan protein. Untuk memungkinkan hal ini, para kreatornya pertama-tama melatih AlphaFold pada struktur yang diketahui dari banyak protein. Setelah mempelajari pola-polanya, sistem ini dapat memprediksi, dengan akurasi tinggi, struktur protein lain yang belum dikarakterisasi.

Betül Kaçar di University of Wisconsin-Madison dan rekan-rekannya melakukan hal serupa dalam sebuah penelitian yang diterbitkan pada tahun 2022. Mereka mencoba merekonstruksi sejarah evolusi protein yang disebut rhodopsin, yang digunakan bakteri untuk menyerap energi dari cahaya. Secara khusus, mereka ingin mengetahui jenis cahaya apa yang diserap oleh rhodopsin paling awal, karena hal ini akan menunjukkan jenis lingkungan tempat mereka berevolusi.

Dengan membandingkan gen yang mengkode rhodopsin pada mikroba yang berkerabat jauh, mereka dapat memperkirakan urutan gen rhodopsin tertua-gen yang sudah tidak ada lagi. Lebih jauh lagi, mereka menyimpulkan bahwa protein rhodopsin awal ini disesuaikan dengan frekuensi cahaya tertentu. Mereka menentukan hal ini dengan menggunakan teknik pembelajaran mesin yang dikembangkan oleh kelompok lain, yang dapat memprediksi sensitivitas cahaya rhodopsin masa kini. Tim Kaçar menggunakan pembelajaran mesin untuk menunjukkan bahwa rhodopsin primordial paling sensitif terhadap cahaya hijau. Hal ini menunjukkan bahwa mikroba yang menjadi bagian dari mereka hidup sedikit di bawah permukaan air, di mana frekuensi cahaya lain terhalang oleh air. Hal ini sesuai dengan bukti-bukti lain mengenai tempat asal kehidupan pertama.

Mengeksplorasi segala sesuatu yang berantakan

Lalu, bagaimana dengan campuran bahan kimia yang kompleks itu? Salah satu pendekatan untuk memahaminya dipelopori oleh ahli kimia sintetis Bartosz Grzybowski di Institut Ilmu Pengetahuan Dasar di Ulsan, Republik Korea, dalam sebuah penelitian yang diterbitkan pada tahun 2020.

Tim tersebut mengumpulkan data tentang kimia prebiotik dari lusinan paper yang dipublikasikan sejak eksperimen Miller pada tahun 1953, yang masing-masing menunjukkan sejumlah kecil reaksi. Mereka menggabungkannya ke dalam satu database, menciptakan struktur reaksi. Kemudian mereka menulis program komputer untuk memprediksi reaksi baru, berdasarkan jenis interaksi yang dapat terjadi antara berbagai jenis bahan kimia. 

Dimulai dari enam bahan awal yang sederhana, termasuk air dan amonia, mereka menunjukkan bahwa adalah mungkin untuk membuat puluhan ribu bahan kimia dalam kondisi ringan-termasuk banyak yang ditemukan dalam organisme hidup. Yang terpenting, perangkat lunak ini memprediksi reaksi yang belum pernah diamati, beberapa di antaranya kemudian dilakukan oleh para peneliti. Dalam sekejap, mereka telah mengidentifikasi sejumlah reaksi kimia baru yang mungkin penting dalam pembentukan kehidupan pertama.

Penelitian ini tidak mungkin dilakukan tanpa adanya software. "Seorang manusia tidak akan bisa memetakan jaringan yang terdiri dari puluhan, ribuan, atau jutaan koneksi," kata Grzybowski. Namun, ia menekankan bahwa perangkat lunak ini dikodekan oleh ahli kimia dan mematuhi aturan yang eksplisit. "Saya bahkan tidak akan menyebutnya sebagai AI," katanya, melainkan "sistem hibrida."

Meskipun prediksinya tepat, jaringan reaksi Grzybowski masih sedikit teoretis. Kita juga perlu mengetahui seberapa cepat setiap reaksi berjalan, dan apakah produk sampingan dari reaksi sebelumnya akan mengganggu reaksi selanjutnya. Huck, seorang kimiawan di Universitas Radboud di Belanda, dan rekan-rekannya telah mulai menangani hal ini dengan bantuan pembelajaran mesin.

Dalam sebuah riset yang dipublikasikan pada tahun 2022, tim Huck melakukan reaksi formosa, yang menciptakan gula dari molekul berbasis karbon sederhana. Mengingat gula yang disebut deoksiribosa digunakan untuk membuat DNA, membuat gula adalah langkah awal yang penting dalam asal-usul kehidupan. Reaksi formosa melakukan hal ini, tapi ada satu hal yang perlu diperhatikan. Reaksi ini cenderung mengalami "ledakan kombinatorial," kata Huck: reaksi ini menghasilkan lusinan atau ratusan produk, yang sangat bervariasi tergantung pada kondisi yang tepat. 

Tim Huck melakukan reaksi dalam ruang aliran kecil untuk menjaganya tetap terkendali. Mereka memvariasikan sejumlah kondisi, termasuk suhu dan ketersediaan bahan kimia yang berbeda; menghentikannya setelah menghasilkan beberapa lusin bahan kimia; dan menganalisis campurannya.

Kondisi lingkungan seperti suhu menentukan produk apa yang terbentuk dalam reaksi, kata Huck. Namun, tidak jelas bagaimana atau mengapa: perubahan kecil dalam kondisi terkadang memiliki efek yang kecil, tetapi terkadang mengarah pada hasil yang sangat berbeda. Di situlah pembelajaran mesin berperan: setelah beberapa pelatihan, perangkat lunak mampu memprediksi apa yang akan dikeluarkan oleh reaksi. Hal ini membawa kita selangkah lebih dekat untuk memahami kondisi pembuatan gula di Bumi purba.

Menentukan kondisi lingkungan dan parameter lain yang berlaku pada saat itu adalah salah satu masalah terbesar dalam penelitian asal-usul kehidupan, kata Wentao Ma, seorang pemodel komputer di Universitas Wuhan di Cina. Teknik seperti pembelajaran mesin akan membantu mempersempitnya. Dalam sebuah penelitian tahun 2021, Ma dan rekan-rekannya mensimulasikan campuran asam nukleat. Dengan menggunakan pembelajaran mesin, mereka dapat menemukan kondisi optimal untuk menciptakan asam nukleat yang dapat mempercepat pembentukan blok pembangunnya sendiri - jenis lingkaran baik yang menjadi tempat bergantungnya kehidupan.

Terakhir, machine learning juga dapat membantu menciptakan simulasi dengan ketelitian tinggi tentang mekanisme yang tepat untuk reaksi kimia-yang sangat penting untuk memprediksi kapan reaksi tersebut akan dan tidak akan berhasil. Alat utama untuk hal ini adalah model komputer yang mensimulasikan semua atom dalam campuran saat mereka memantul dan berinteraksi satu sama lain. "Ketika melakukan simulasi, kita dapat mengakses perilaku mikroskopis sistem," kata Timothée Devergne, seorang pemodel di Universitas Sorbonne di Paris.

Namun, simulasi "atomistik" ini dengan cepat menjadi sangat menyita waktu. Setiap interaksi antar atom membutuhkan penyelesaian persamaan yang rumit, sehingga sangat menantang untuk mensimulasikan campuran kompleks yang ada di Bumi purba. Akibatnya, eksperimen dalam kimia prebiotik telah menjadi semacam black box: kita dapat melihat apa yang dikeluarkan, tetapi apa yang sebenarnya terjadi masih menjadi misteri.

Devergne menggunakan machine learning untuk memecahkan masalah ini. Pada tahun 2007, para peneliti di ETH Zurich, Swiss, mengembangkan neural network yang dapat mempelajari solusi yang paling mungkin untuk persamaan yang diperlukan. Hal ini mempercepat perhitungan beberapa kali lipat. Devergne dan rekan-rekannya sekarang menerapkan metode ini pada kimia prebiotik. Sebagai bukti prinsip, dalam sebuah penelitian yang diterbitkan pada tahun 2022, mereka menggunakan machine learning untuk mensimulasikan reaksi yang menghasilkan glisin dalam percobaan Miller-sesuatu yang sebelumnya disimulasikan oleh supervisor Devergne tanpa machine learning. Neural network dapat mengurangi waktu komputasi dengan faktor 10 hingga 50 kali lipat. Hasil serupa dari kelompok lain sudah dirilis sebagai pracetak pada tahun 2022.

Lalu apa gunanya?

Semua orang yang dihubungi untuk berita ini setuju bahwa penggunaan machine learning dan perangkat AI lainnya dalam penelitian tentang asal-usul kehidupan masih dalam tahap yang sangat awal. Beberapa orang mewaspadai pendekatan yang terlalu menggembar-gemborkan. 

"Ia tidak bisa memberi tahu kita hal-hal baru, karena ia tahu apa yang diketahuinya," kata Valentina Erastova, seorang ilmuwan komputasi di University of Edinburgh. Alat machine learning hanya bisa membuat prediksi yang akurat setelah diberi sejumlah besar data berkualitas tinggi, katanya: "Alat ini bisa menunjukkan tren dan bisa menunjukkan hubungan, namun hubungan yang akan ditampilkannya juga sangat dipengaruhi oleh cara Anda melatihnya."

Yang jelas, alat bantu jenis AI dapat mempercepat pekerjaan yang seharusnya membosankan. Sebagai contoh, pada tahun 2018, tim Cronin menggambarkan sebuah robot yang dapat melakukan eksperimen dan analisis kimia lebih cepat daripada manusia. Robot ini menggunakan machine learning untuk menilai kemajuan reaksi secara real time, dan memprediksi campuran mana yang akan dan tidak akan bereaksi. Cronin telah menghabiskan waktu bertahun-tahun untuk mendigitalkan kimia: ia berencana menggunakan sistem ini untuk melakukan eksperimen dalam kimia prebiotik dan menemukan jalur menuju pembentukan kehidupan. Dalam analogi dengan AlphaFold, ia mengatakan bahwa ia ingin membuat "AlphaSoup."

Kekuatan dari pembelajaran mesin adalah dapat melihat pola dalam kumpulan data yang sangat besar, sementara manusia tidak dapat melakukannya. "Anda dapat melihat pola dalam campuran yang rumit dan menunjukkan dengan tepat proses yang terjadi yang tidak dapat Anda lihat sendiri," kata Huck. "Ini adalah ruang berdimensi tinggi sehingga pola-polanya tidak terlihat oleh Anda." 

Harapannya, metode ini akan memungkinkan para peneliti untuk akhirnya memahami apa yang terjadi dalam campuran yang saling berinteraksi secara kompleks seperti yang ditemukan di Bumi purba. "Teknologi ini memungkinkan kita untuk mempelajari sistem yang jauh lebih besar dari sebelumnya," kata Devergne.

Ada satu pertanyaan terakhir. Misalkan salah satu eksperimen berhasil dan seorang ahli biokimia berhasil membuat bentuk kehidupan sederhana di laboratorium-atau misalkan penjelajah Perseverance di Mars menemukan mikroba luar angkasa. Bagaimana kita bisa tahu apakah yang kita lihat itu benar-benar hidup?

"Ini adalah masalah lama dalam geokimia," kata Jim Cleaves, ahli geokimia dari Howard University di Washington, DC. "Bagaimana Anda mengatakan bahwa sesuatu itu hidup atau tidak hidup?"

Bagi Cronin, jawabannya adalah "teori perakitan." Dia dan rekan-rekannya berpendapat bahwa ciri khas kehidupan adalah menghasilkan sejumlah besar objek yang sangat kompleks. Mereka mendefinisikan kompleksitas objek dengan jumlah langkah yang diperlukan untuk membuatnya. Dalam sebuah studi tahun 2021, mereka menunjukkan bukti bahwa mereka dapat membedakan antara sampel yang dihasilkan oleh kehidupan dan sampel yang dihasilkan tanpa kehidupan, berdasarkan kompleksitas molekul yang diukur. Pembelajaran mesin digunakan untuk mempercepat analisis.

Dalam sebuah penelitian yang diterbitkan pada bulan September, Cleaves dan rekan-rekannya menggunakan machine learning secara lebih langsung. Mereka melatih neural network pada berbagai macam zat, termasuk beras basmati, batu bara, dan serpih. Setelah itu, jaringan tersebut dapat mengidentifikasi sampel biologis dan nonbiologis dengan akurasi 90%. AI menggunakan metrik yang sedikit berbeda dari Cronin: AI berfokus pada keseluruhan campuran komponen kimia dalam sampel, kata Cleaves, bukan pada kompleksitas masing-masing komponen. "Keduanya merupakan ide yang saling melengkapi," katanya.

Cleaves mengatakan bahwa metode seperti ini dapat diterapkan pada data yang dihasilkan dari probe seperti kendaraan penjelajah Mars milik NASA. Sebagai contoh, kendaraan penjelajah Curiosity memiliki instrumen yang disebut Sample Analysis at Mars (SAM) yang melakukan analisis kimiawi yang serupa dengan yang digunakan timnya.

Dengan modifikasi yang relatif kecil, ia mengatakan, "Anda bisa melakukannya sekarang."