Oktober 2025 memperlihatkan lompatan sains yang sangat nyata. Meta FAIR merilis OMat24—kumpulan >110 juta perhitungan DFT berikut model EquiformerV2—yang menembus posisi puncak Matbench Discovery untuk prediksi stabilitas/energi formasi material; rilis ini membuka jalan skrining kandidat superkonduktor, material baterai, hingga katalis skala masif. Di sisi medis, Google Research memperkenalkan DeepSomatic, model open-source yang mengidentifikasi varian somatik kanker lintas platform sekuensing (Illumina, PacBio, ONT) dan menunjukkan lonjakan akurasi besar terutama pada indel—komponen kritis onkogenesis. :contentReference{index=0} :contentReference{index=1}
Dari Prediksi ke Penemuan
Kita sudah melewati fase “hanya memprediksi” (contoh ikonik: pemodelan struktur protein). Kini, jalurnya: pretrain pada dataset raksasa (OMat24), lalu gunakan model GNN untuk mengusulkan material baru yang masuk akal secara fisika sebelum eksperimen basah. Meta melaporkan F1 >0,9 untuk klasifikasi stabilitas dan MAE ~20 meV/atom pada energi formasi—angka yang memadai untuk memfilter jutaan kandidat sebelum hitungan DFT/eksperimen lanjutan. :contentReference{index=2}
OMat24 untuk material energi · GNN di penemuan material · Strategi screening komputasi · Benchmark penemuan material
DeepSomatic: “Amplifier” Onkologi Presisi
Alih-alih meramal masa depan, DeepSomatic memperjelas masa kini: membedakan variasi somatik penggerak kanker dari noise sekuensing dan varian germline. Pada data Illumina, F1 untuk indel mendekati ~0,90 vs ~0,80 tool terbaik lain; pada PacBio HiFi lompatan dari <0,50 ke >0,80—perubahan kelas dunia untuk jenis varian yang sering jadi dalang frameshift. Model ini juga jalan pada mode tumor-only (mis. leukemia anak), sampel FFPE lawas, dan bahkan menggeneralisasi ke glioblastoma yang tak terlihat saat latih; Google merilis tool + set data CASTLE secara terbuka. :contentReference{index=3}
Onkologi presisi · Varian somatik & klinik · FFPE & WES di praktik · Dataset CASTLE
AI sebagai “Ilmuwan Junior” Supercepat
Skema kerjanya kian jelas: AI menyapu ruang hipotesis—ribuan simulasi/malam—sementara ilmuwan manusia fokus ke pertanyaan kreatif, kontrol kausal, dan desain eksperimen. Di material, pretrain → fine-tune → generate kandidat → verifikasi DFT/eksperimen; di biomedis, panggil varian → prioritisasi target → desain uji & terapi. Kecepatan naik berlipat tetapi tetap membutuhkan pagar kausalitas dan reproduktibilitas.
Loop ilmiah berbasis AI · Discovery pipeline · Kontrol kausal · Reproducibility
Implikasi “Greget”
- Material energi & iklim: filter jutaan struktur kristal untuk anoda/katoda/elektrolit padat dan katalis hidrogen. :contentReference{index=4}
- Onkologi: deteksi varian lebih akurat pada sampel sulit meningkatkan matching terapi & membuka studi tumor historis. :contentReference{index=5}
- Kecepatan & tata kelola: percepatan ≠ otomatis benar—laboratorium perlu model cards, data provenance, dan prapendaftaran protokol agar hasil tak “terlihat hebat di in-silico saja.”
Material baterai baru · Katalis hidrogen · Model cards penelitian · Provenance data ilmiah
Bacaan & Rilis Resmi (eksternal):
- Meta FAIR OMat24 (paper, model, repos) — ringkasan & tautan arXiv/HF. :contentReference{index=6}
- Google Research: DeepSomatic (blog + Nature Biotech) — detail metode, hasil, dan CASTLE dataset. :contentReference{index=7}
-(L)-
