Bagaimana jika pekerjaan analisis biologis yang diperkirakan membutuhkan waktu berbulan-bulan dapat dipercepat menjadi hitungan menit? Inilah yang ditunjukkan oleh kolaborasi OpenAI, PerturbAI, dan Scripps Research. Pada Oktober 2026, tim peneliti tersebut melaporkan penggunaan ribuan agen AI untuk menganalisis data eksperimen dari jutaan sel otak tikus hanya dalam 32 menit. Agen-agen tersebut bekerja secara paralel menggunakan model GPT-Rosalind, menelusuri respons sel terhadap perubahan gen, mencari penjelasan dalam literatur ilmiah, lalu menyusun hipotesis yang dapat ditindaklanjuti oleh peneliti. Hasilnya bukan penemuan obat yang sudah terbukti, melainkan sejumlah petunjuk biologis yang dapat membantu ilmuwan menentukan eksperimen berikutnya.
Ada satu hal yang perlu diluruskan sejak awal: para agen AI itu tidak mengumpulkan jutaan sel otak atau melakukan seluruh eksperimen laboratorium dalam 32 menit. Mereka menganalisis data eksperimen yang sudah tersedia, yaitu atlas CRISPR seluruh otak tikus yang merekam bagaimana gangguan pada gen tertentu memengaruhi berbagai jenis sel. Kecepatan tersebut berasal dari pembagian pekerjaan ke banyak agen yang bekerja bersamaan, bukan dari penghapusan tahapan eksperimen biologis. Perbedaan ini penting agar pencapaian tersebut tidak dibesar-besarkan, sekaligus agar manfaat sebenarnya terlihat jelas: AI dapat membantu peneliti menelusuri data yang sangat besar dan menghubungkannya dengan pengetahuan ilmiah yang tersebar di banyak publikasi.
Apa yang Dilakukan Ribuan Agen AI?
Dalam pendekatan yang disebut distributed biological reasoning, tugas analisis dibagi menjadi banyak bagian kecil. Setiap agen AI menerima satu gangguan genetik untuk dianalisis, memeriksa perubahan yang terjadi pada sel, menelusuri literatur ilmiah yang relevan, dan menyusun penjelasan yang mungkin menerangkan hasil tersebut. Laporan individual kemudian digabungkan menjadi sebuah reasoning atlas atau atlas penalaran yang menghubungkan gen, perubahan seluler, publikasi ilmiah, dan kemungkinan mekanisme biologis. Dengan struktur ini, peneliti tidak hanya memperoleh daftar perubahan gen, tetapi juga jalur untuk mengeksplorasi mengapa perubahan itu mungkin terjadi dan pertanyaan lanjutan apa yang layak diuji di laboratorium.
OpenAI menyebut penggunaan ribuan agen yang berjalan secara paralel sebagai cara untuk memperluas cakupan eksplorasi data. Dalam laporan teknisnya, eksperimen berskala besar melibatkan hampir dua ribu agen GPT-Rosalind, dengan tiap agen menangani bagian tertentu dari data. Alih-alih meminta satu model mengerjakan seluruh persoalan secara berurutan, sistem memecah pekerjaan berdasarkan gangguan genetik, lalu menggabungkan hasilnya. Pendekatan ini berpotensi membantu ketika suatu dataset mencakup begitu banyak gen, tipe sel, dan publikasi terkait sehingga sulit ditelaah secara menyeluruh oleh satu peneliti atau satu agen dalam waktu singkat.
Mengapa Analisis Ini Bisa Selesai dalam 32 Menit?
Keunggulan utama sistem ini adalah paralelisasi. Dalam pekerjaan manual konvensional, peneliti harus memeriksa satu kelompok hasil, membaca publikasi yang relevan, membandingkan temuan, dan menyusun interpretasi sebelum berpindah ke kelompok berikutnya. Ribuan agen AI dapat menjalankan bagian-bagian pekerjaan tersebut secara bersamaan. Hasil tiap agen kemudian dikompilasi menjadi gambaran yang lebih luas. Tim peneliti memperkirakan bahwa analisis dan penelusuran literatur yang sebanding secara manual dapat membutuhkan waktu berbulan-bulan hingga sekitar satu tahun, meskipun angka tersebut merupakan estimasi berdasarkan asumsi waktu kerja, bukan hasil uji terkontrol yang mengukur semua peneliti manusia melakukan tugas yang persis sama.
Kecepatan juga bukan satu-satunya ukuran keberhasilan. Analisis biologis tidak cukup hanya menghasilkan laporan dalam waktu singkat; hasilnya harus relevan, dapat ditelusuri ke sumber ilmiah, dan berguna untuk menentukan eksperimen lanjutan. OpenAI melaporkan bahwa dalam perbandingan yang dilakukan secara buta, para ahli manusia lebih memilih laporan dari pendekatan multiagen dibandingkan laporan dari satu agen sebanyak 75 persen dari waktu penilaian. Temuan tersebut memberikan indikasi bahwa pembagian tugas dapat meningkatkan kualitas eksplorasi dalam pengujian ini. Namun, hasil tersebut tidak berarti AI selalu lebih akurat daripada ilmuwan, dan tidak pula membuktikan bahwa seluruh hipotesis yang dihasilkan benar.
Apa Itu GPT-Rosalind?
GPT-Rosalind adalah model OpenAI yang dirancang untuk mendukung pekerjaan penelitian ilmu hayati, termasuk penalaran atas data biologis dan penelusuran literatur ilmiah. Dalam proyek ini, model tersebut digunakan oleh banyak agen yang bekerja pada bagian-bagian berbeda dari dataset. Peran AI bukan menggantikan seluruh proses ilmiah, melainkan membantu menghubungkan temuan eksperimen dengan pengetahuan yang telah diterbitkan, menemukan pola yang mungkin terlewat, serta menyusun hipotesis untuk diperiksa lebih lanjut oleh peneliti.
Penggunaan model yang diarahkan pada bidang ilmu hayati juga memperlihatkan perubahan dalam cara AI diterapkan. AI tidak hanya digunakan untuk menjawab pertanyaan umum atau menghasilkan teks, tetapi juga sebagai sistem yang menjalankan rangkaian tugas penelitian: membaca data, mencari publikasi, menyusun penjelasan, dan menyajikan hasil yang dapat ditinjau manusia. Meski begitu, keluaran model tetap perlu diperiksa. Literatur yang relevan belum tentu membuktikan mekanisme tertentu, dan hubungan antara perubahan gen serta respons sel tidak otomatis menjelaskan sebab-akibat yang berlaku pada manusia.
Petunjuk Pertama: Hubungan Gen DCTN1 dan Regulasi Kolesterol
Salah satu contoh yang disorot dalam laporan adalah DCTN1, gen yang berkaitan dengan Perry syndrome, penyakit neurodegeneratif langka yang dapat menimbulkan gejala mirip Parkinson. Dalam dataset yang dianalisis, gangguan pada Dctn1 dikaitkan dengan peningkatan ekspresi gen yang terlibat dalam produksi kolesterol. Agen AI kemudian menghubungkan pola tersebut dengan penelitian terdahulu mengenai transportasi kolesterol dan fungsi sel saraf. Dari hubungan itu muncul sebuah pertanyaan ilmiah: apakah gangguan DCTN1 mengubah distribusi kolesterol di dalam neuron, dan apakah perubahan tersebut dapat berkontribusi pada proses neurodegenerasi?
Pertanyaan itu menarik karena dapat diterjemahkan menjadi rencana eksperimen yang lebih spesifik. Peneliti dapat menguji bagaimana distribusi kolesterol berubah ketika fungsi DCTN1 terganggu, apakah perubahan tersebut memengaruhi kesehatan neuron, dan apakah pemulihan distribusi normal memberi efek perlindungan. Akan tetapi, rangkaian tersebut masih merupakan hipotesis yang perlu diuji. Temuan AI tidak membuktikan bahwa kolesterol adalah penyebab langsung Perry syndrome, tidak menunjukkan bahwa terapi tertentu sudah efektif, dan tidak berarti obat untuk penyakit tersebut telah ditemukan. Nilai utamanya adalah membantu mengubah petunjuk dalam data menjadi pertanyaan yang lebih terarah untuk penelitian lanjutan.
AI Juga Menemukan Perbedaan Respons Antar-Gen
Tim juga menyoroti perbedaan respons sel terhadap gangguan pada dua gen yang berkaitan, TSC1 dan TSC2, di bagian otak kecil atau serebelum. Walaupun keduanya memiliki hubungan biologis, gangguan pada masing-masing gen tidak selalu menghasilkan pola perubahan yang sama. Agen AI membantu mengidentifikasi perbedaan yang tidak selalu mudah terlihat ketika data diperiksa secara terpisah, kemudian menghubungkannya dengan pengetahuan ilmiah yang sudah ada. Petunjuk seperti ini dapat membantu peneliti mengajukan pertanyaan lebih terfokus tentang mengapa gen yang berkaitan menghasilkan respons seluler berbeda dan apakah perbedaan tersebut relevan terhadap penyakit tertentu.
Namun, menemukan perbedaan pola bukan berarti mekanisme penyebabnya sudah dipastikan. Data menunjukkan respons yang perlu dijelaskan, sedangkan eksperimen lanjutan diperlukan untuk mengetahui bagaimana dan mengapa respons itu muncul. Dalam penelitian biologi, pola yang menarik dapat menjadi titik awal, tetapi tidak semua pola akan berkembang menjadi penemuan yang dapat direplikasi atau memiliki manfaat klinis. Di sinilah peran ilmuwan tetap penting: menilai apakah hipotesis masuk akal, menentukan eksperimen yang tepat, menguji hasil, dan mengubah kesimpulan ketika bukti baru tidak mendukung dugaan awal.
Apakah AI Menggantikan Peneliti Biologi?
Contoh ini lebih tepat dipahami sebagai perluasan kemampuan peneliti, bukan penggantian ilmuwan. Agen AI dapat mempercepat penelusuran literatur, membagi analisis ke banyak tugas, dan mengidentifikasi hubungan yang patut diperiksa. Namun, peneliti tetap harus menilai mutu data, mengevaluasi sumber, menguji hipotesis melalui eksperimen, serta memastikan apakah hasil dapat direplikasi. AI juga dapat membuat kesalahan, salah menafsirkan publikasi, atau menghubungkan dua temuan yang sebenarnya tidak cukup kuat untuk mendukung satu mekanisme. Karena itu, keluaran sistem harus diperlakukan sebagai bahan penelitian yang dapat diperiksa, bukan sebagai kesimpulan final.
Kolaborasi ini menunjukkan bagaimana pembagian kerja antara manusia dan AI dapat berubah. Alih-alih meminta model memberikan satu jawaban besar, peneliti dapat menggunakan banyak agen untuk mengeksplorasi bagian-bagian persoalan secara paralel, lalu menilai hasil yang paling menjanjikan. Pendekatan seperti ini berpotensi memperluas jumlah hipotesis yang dapat dipertimbangkan dan mengurangi waktu yang dihabiskan untuk pekerjaan penelusuran awal. Meski demikian, kualitas penelitian tetap ditentukan oleh proses verifikasi dan eksperimen, bukan semata-mata oleh banyaknya agen atau kecepatan komputasi.
Apa Batasan Penelitian Ini?
Salah satu batasan utama adalah bahwa hasil tersebut masih berupa petunjuk dan hipotesis yang perlu diuji lebih lanjut. Laporan penelitian yang menyertai pengumuman ini dipublikasikan sebagai preprint di bioRxiv, sehingga pada saat pemberitaan dibuat belum melalui proses penelaahan sejawat atau peer review. Status ini tidak berarti hasilnya pasti salah, tetapi pembaca perlu memahami bahwa metode dan kesimpulannya masih harus dinilai oleh komunitas ilmiah secara lebih luas. Penelitian lanjutan perlu memeriksa apakah hipotesis dapat direplikasi, apakah mekanisme yang diusulkan benar-benar terjadi, dan apakah temuan pada model tikus relevan bagi penyakit manusia.
Batasan lain adalah perbedaan antara analisis data dan eksperimen biologis. AI dapat memproses dataset yang sudah tersedia dengan cepat, tetapi tidak otomatis dapat menggantikan proses pengumpulan sampel, pelaksanaan eksperimen, validasi hasil, atau uji klinis. Demikian pula, perbandingan waktu berbulan-bulan hingga satu tahun merupakan estimasi kerja manual, bukan bukti bahwa setiap proyek penelitian akan selalu dipercepat dengan rasio yang sama. Hasil akhirnya akan bergantung pada kualitas data, kompleksitas pertanyaan, akses terhadap literatur, biaya komputasi, dan kebutuhan verifikasi di laboratorium.
Mengapa Pendekatan Multiagen Penting bagi Masa Depan Riset?
Penelitian ini memperlihatkan bahwa sistem multiagen dapat berguna ketika persoalan terlalu besar untuk ditelaah secara berurutan. Dalam penelitian biologi, satu perubahan gen dapat memiliki efek berbeda pada berbagai tipe sel, dan penjelasannya mungkin tersebar dalam literatur dari banyak subbidang. Membagi pekerjaan ke agen-agen khusus memungkinkan beberapa jalur penelusuran dijalankan secara bersamaan, kemudian digabungkan dalam sebuah peta penalaran. Jika diterapkan dengan kontrol kualitas yang baik, pendekatan ini dapat membantu peneliti menyaring ruang kemungkinan yang luas dan menentukan pertanyaan mana yang paling layak mendapat sumber daya eksperimen.
Potensi tersebut juga relevan bagi bidang lain yang menghadapi data besar dan literatur yang luas, seperti penemuan obat, genomik, ilmu material, dan penelitian penyakit kompleks. Namun, keberhasilan dalam satu kasus tidak otomatis membuktikan bahwa sistem yang sama akan memberikan manfaat setara pada semua bidang. Setiap penerapan membutuhkan evaluasi tersendiri mengenai akurasi, keterlacakan sumber, biaya, keamanan data, dan kemampuan ahli untuk memeriksa hasilnya. Prinsip yang dapat diambil adalah bahwa AI dapat mempercepat tahap eksplorasi dan penyusunan hipotesis, sementara pembuktian ilmiah tetap membutuhkan metode penelitian yang ketat.
