Ilmuwan MIT Rilis BioAutoMATED, Solusi Machine Learning Otomatis Terbuka Penelitian Biologi

Liputan6.com, Jakarta - Sekelompok tim peneliti di Massachusetts Institute of Technology (MIT) telah mengembangkan solusi yang dapat merevolusi bidang machine learning.

Dipimpin oleh Jim Collins, seorang profesor di Departemen Teknik Biologi, tim peneliti itu telah mengembangkan sistem machine learning otomatis yang disebut BioAutoMATED; sistem itu diharapkan dapat meniadakan kebutuhan akan keahlian machine learning secara ekstensif.

Secara tradisional, membangun model machine learning adalah proses melelahkan dan memakan waktu, serta membutuhkan keahlian peneliti khusus.

Namun, BioAutoMATED merampingkan proses ini dengan secara otomatis memilih dan menyusun model yang paling cocok untuk kumpulan data tertentu.

Selain itu, BioAutoMATED mampu menangani tugas pemrosesan data yang membosankan, mengurangi apa yang biasanya memakan waktu berbulan-bulan menjadi hanya beberapa jam. Terobosan ini berpotensi mempercepat penelitian di berbagai bidang ilmiah secara signifikan.

Tim Collins mengenali tantangan yang dihadapi oleh laboratorium sains dan teknik saat merekrut pakar machine learning. Pemilihan model yang sesuai dan pemformatan serta penyempurnaan kumpulan data dapat sangat memengaruhi kinerja model, sehingga memerlukan upaya yang ekstensif.

Jacqueline Valeri, seorang mahasiswa PhD dan salah satu penulis makalah BioAutoMATED, menjelaskan bahwa menemukan model yang tepat untuk kumpulan data tertentu bukanlah tugas yang muedah. Sering kali itu membutuhkan usaha selama beberapa pekan.

Hambatan ini telah menghalangi banyak orang untuk menggunakan machine learning di dalam penelitian mereka. Namun, BioAutoMATED menghilangkan penghalang ini dengan mengotomatiskan proses pemilihan model dan memberdayakan peneliti dengan alat yang mudah digunakan.

Fokus sistem pada urutan biologis membedakannya dari alat machine learning otomatis lainnya yang terutama dirancang untuk pengenalan teks dan gambar. Urutan biologis, seperti DNA, RNA, protein, dan glikan, memiliki sifat standar intrinsik yang mirip dengan alfabet, sehingga ia ideal untuk menerapkan teknik machine learning di penelitian yang relevan.

Dengan mengintegrasikan beberapa alat ke dalam satu platform, BioAutoMATED memperluas ruang pencarian, sehingga melampaui kemampuan alat individual.

BioAutoMATED menawarkan beragam model supervised machine learning, termasuk model klasifikasi biner dan multi-kelas, serta model regresi. Keserbagunaan ini memungkinkan peneliti untuk bekerja dengan berbagai jenis kumpulan data dan menyesuaikan pendekatan mereka berdasarkan tujuan penelitian khusus mereka.

Sistem ini bahkan membantu menentukan jumlah data optimal yang diperlukan untuk melatih model yang dipilih secara efektif.

Dampak potensial BioAutoMATED juga dapat mempercepat proses penelitian secara menyeluruh. Dengan menurunkan hambatan untuk masuk, sistem ini memungkinkan pakar domain dalam biologi untuk mengeksplorasi dan menjalankan eksperimen awal tanpa memerlukan infrastruktur digital yang ekstensif atau mempekerjakan pakar machine learning secara khusus.

Fleksibilitas ini memungkinkan para peneliti untuk menilai kelangsungan ide mereka sebelum melakukan investasi besar.

Untuk mendorong kolaborasi dan kemajuan, tim telah menyediakan kode sumber terbuka BioAutoMATED secara gratis. Mereka mendorong orang lain untuk memanfaatkan dan meningkatkan kode, bekerja sama untuk membuat alat yang bermanfaat bagi seluruh komunitas ilmiah.

Para peneliti membayangkan masa depan di mana praktik biologis yang ketat menyatu dengan mulus dengan dunia AI dan pembelajaran mesin yang bergerak cepat.

Karya ini telah mendapat dukungan dari berbagai hibah dan organisasi. Pendanaan dari Defense Threat Reduction Agency, program Defense Advance Research Projects Agency SD2, Paul G. Allen Frontiers Group, dan sumber lainnya telah memungkinkan realisasi BioAutoMATED dan integrasinya ke dalam Antibiotics-AI Projects.

Penelitian ini terbit di jurnal Cell Systems dengan judul "BioAutoMATED: An end-to-end automated machine learning tool for explanation and design of biological sequences".