Bagaimana AI Menemukan Target Molekuler Baru untuk Penuaan yang Sehat

Para ilmuwan yang mempelajari penuaan memiliki alat baru: sistem kecerdasan buatan yang dapat memindai ribuan molekul atau dataset genetik dalam hitungan hari dan menandai segelintir yang paling mungkin mempengaruhi cara sel menua. Beberapa proyek yang dipublikasikan dalam beberapa minggu terakhir menunjukkan bagaimana hal ini bekerja dalam praktik — termasuk laboratorium universitas Brasil, perusahaan bioteknologi internasional, dan tim penelitian yang menambang database genomik publik besar — dan semuanya menargetkan masalah yang mendasar sama: stres oksidatif dan kerusakan seluler yang terakumulasi seiring bertambahnya usia.

Model AI yang dapat dijelaskan mencari peptida antioksidan

Di Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio), sebuah tim yang dipimpin oleh profesor kimia André Silva Pimentel, bekerja dengan peneliti Maria Carolina J. A. Schneider dan Marina Geisiely Damaso Godinho Alves, menerbitkan studi tentang kecerdasan buatan yang dapat dijelaskan yang diterapkan pada peptida antioksidan, menurut artikel yang ditulis tim untuk The Conversation Brasil pada 5 Oktober 2026. Peptida adalah rantai pendek asam amino yang terjadi secara alami dalam protein makanan atau dapat disintesis, dan beberapa di antaranya dapat menetralkan radikal bebas — molekul tidak stabil yang merusak sel ketika mereka terakumulasi lebih cepat daripada sistem antioksidan tubuh dapat membersihkannya.

Kelompok PUC-Rio menggunakan metode yang disebut AI yang dapat dijelaskan, yang berbeda dari model pembelajaran mesin standar dalam satu hal utama: daripada hanya menghasilkan prediksi, ia juga menunjukkan bagian mana dari urutan asam amino peptida yang paling mempengaruhi prediksi tersebut. Menurut para peneliti, ini memungkinkan ilmuwan melihat fitur struktural mana yang membuat peptida lebih mungkin untuk bertindak sebagai antioksidan, bukan memperlakukan AI sebagai kotak hitam. Pekerjaan ini didanai oleh FAPERJ, yayasan penelitian negara Rio de Janeiro, dan juga dicakup oleh outlet Brasil Brasil em Folhas, yang menggambarkan laboratorium dan metodologi yang sama.

Nilai praktis, tulis para peneliti, adalah kecepatan: daripada menguji sejumlah besar kandidat peptida satu per satu di lab, model AI mempersempit daftar panjang menjadi beberapa urutan yang paling layak diuji secara eksperimental. Tim mengatakan aplikasi potensial melampaui kosmetik anti-penuaan dan nutraceutical untuk penelitian tentang kondisi yang terkait dengan stres oksidatif seperti penyakit Alzheimer, penyakit Parkinson, dan kanker — meskipun mereka menggambarkannya sebagai arah untuk studi lebih lanjut, bukan perawatan yang sudah jadi.

Sistem AI yang lebih besar memindai genom dan perpustakaan obat untuk target penuaan

Upaya terpisah dan skala yang lebih besar datang dari Insilico Medicine, perusahaan bioteknologi yang mengembangkan alat AI untuk penemuan obat. Pada 17 September 2026, perusahaan menerbitkan studi di sampul journal Cell tentang toolkit sumber terbuka untuk penelitian longevity, yang dibangun dengan Liquid AI, Buck Institute for Research on Aging, Harvard Medical School, dan Brigham and Women's Hospital, menurut pengumuman Insilico Medicine sendiri.

Toolkit memiliki tiga bagian: LongevityBench, benchmark yang menguji seberapa baik model AI bernalar tentang biologi penuaan di lima jenis data termasuk genetika dan proteomics; Longevity-LLMs, keluarga model bahasa kompak (mulai dari 0,6 hingga 9 miliar parameter) yang dilatih khusus pada data terkait penuaan; dan Longevity Claw, platform penelitian otonomi yang dimaksudkan untuk mengidentifikasi dan menentukan peringkat target penuaan yang mungkin. Insilico Medicine melaporkan bahwa model 9-miliar-parameter khususnya cocok atau melampaui 16 sistem AI tujuan umum frontier pada tugas biologi penuaan, dan bahwa Longevity Claw mengusulkan 328 target intervensi penuaan kandidat, yang dikatakan menunjukkan pengayaan hingga 5,6 kali lipat untuk gen terkait penuaan ketika dibandingkan dengan set referensi target penuaan yang divalidasi secara eksperimental yang dipublikasikan secara independen.

Pendekatan ketiga, yang dijelaskan oleh situs berita penelitian penuaan Lifespan.io, menggunakan alat AI yang disebut ClockBase Agent — yang dibangun oleh tim yang dipimpin oleh peneliti Vadim Gladyshev — untuk menambang lebih dari 2 juta dataset RNA-sequencing dan epigenetik yang ada mencakup 43.529 intervensi biologis yang tercatat. Sistem menandai obat yang dikenal termasuk rapamycin, metformin, fenofibrat, dan ouabain sebagai terkait dengan penuaan biologis yang lebih lambat dalam data; Lifespan.io melaporkan bahwa dalam tes tindak lanjut pada tikus berusia 20 bulan, tiga bulan pengobatan ouabain dikaitkan dengan skor kelicikan yang lebih baik, kinerja kognitif, kondisi bulu, dan fungsi jantung, meskipun preprint yang menggambarkan studi lengkap diposting pada November 2025 dan belum dikonfirmasi dalam uji coba manusia.

Apa yang penelitian ini tunjukkan dan tidak tunjukkan

Tidak satu pun dari proyek ini mengklaim telah menghasilkan perawatan anti-penuaan yang disetujui. Model peptida PUC-Rio dan daftar target Insilico Medicine adalah alat prediksi yang dimaksudkan untuk memprioritaskan kandidat untuk pengujian laboratorium dan klinis, bukan terapi yang sudah jadi. Temuan ouabain yang dijelaskan oleh Lifespan.io berasal dari eksperimen hewan, bukan uji coba manusia. Peneliti yang terlibat dalam studi PUC-Rio dan Insilico Medicine sama-sama membingkai pekerjaan mereka sebagai mempersempit ruang pencarian yang sangat besar — jutaan molekul atau target gen yang mungkin — sehingga sumber daya lab dan klinis yang langka dihabiskan menguji kandidat paling menjanjikan terlebih dahulu.

• Explainable AI (PUC-Rio): menandai urutan asam amino mana dalam peptida yang diturunkan dari makanan atau sintetis yang mungkin antioksidan.
• LongevityBench / Longevity-LLMs / Longevity Claw (Insilico Medicine, dengan Buck Institute dan Harvard Medical School): benchmark dan rangking target genetik yang terkait dengan penuaan di seluruh dataset omics.
• ClockBase Agent (tim penelitian Gladyshev): menambang dataset genomik publik yang ada untuk menandai obat yang ada yang terkait dengan penuaan biologis yang lebih lambat dalam data hewan.