Peneliti MIT berhasil mengembangkan model machine learning (pembelajaran mesin) yang dapat memprediksi kelarutan molekul dlm berbagai pelarut organik. Inovasi ini menjadi langkah penting dalam sintesis hampir semua obat farmasi dan dapat mengubah cara pengembangan obat-obatan baru1.
Apa Itu Model Prediksi Kelarutan
Model komputasional baru ini memungkinkan prediksi seberapa baik molekul tertentu akan larut dlm pelarut organik tertentu. Hal ini sangat krusial karena prediksi kelarutan selama ini menjadi hambatan utama dalam perencanaan sintesis dan manufaktur bahan kimia, terutama obat-obatan2. Lucas Attia, mahasiswa MIT dan penulis utama studi ini menjelaskan bahwa kemampuan membuat prediksi kelarutan yg lebih baik telah lama menjadi kepentingan berkelanjutan.
Mengapa Penting untuk Industri Farmasi
Industri farmasi membutuhkan kemampuan untuk memilih pelarut yang tepat dlm setiap reaksi sintesis mereka. Pelarut organik umum seperti etanol dan aseton merupakan bagian dari ratusan pelarut lain yang dapat digunakan dalam reaksi kimia3. Model ini juga membantu mengidentifikasi pelarut yg lebih aman dibandingkan beberapa pelarut industri yang paling umum digunakan.
Bagaimana Model Ini Bekerja
Tim peneliti menggunakan dataset besar bernama BigSolDB yang dirilis pada 2023. Dataset ini mengompilasi data dari hampir 800 makalah yang diterbitkan, termasuk informasi kelarutan untuk sekitar 800 molekul yang dilarutkan dlm lebih dari 100 pelarut organik4. Mereka melatih dua jenis model berbeda pada data ini menggunakan representasi numerik yang disebut embeddings.
Dua Model yang Dikembangkan
Model pertama, FastProp, menggunakan "static embeddings" dimana model sudah mengetahui embedding untuk setiap molekul sebelum mulai melakukan analisis. Model kedua, ChemProp, belajar embedding untuk setiap molekul selama pelatihan sambil belajar mengasosiasikan fitur embedding dengan sifat seperti kelarutan5.
Siapa yang Mengembangkan
Penelitian ini dipimpin oleh William Green, Professor Chemical Engineering MIT dan direktur MIT Energy Initiative. Jackson Burns, mahasiswa MIT lainnya, juga menjadi penulis utama makalah yang muncul di Nature Communications6. Patrick Doyle dari Robert T. Haslam Professor of Chemical Engineering turut menjadi penulis.
Kapan dan Dimana Model Ini Tersedia
Para peneliti telah membuat model mereka tersedia secara gratis, dan banyak perusahaan serta laboratorium sudah mulai menggunakannya. Model berbasis FastProp yang disebut FastSolv telah tersedia untuk publik7. Beberapa perusahaan farmasi sudah mulai menggunakan teknologi ini dlm berbagai aplikasi sepanjang jalur penemuan obat.
Mengapa Model Ini Lebih Akurat
Ketika diuji pada sekitar 1.000 zat terlarut yang tidak disertakan dalam data pelatihan, model-model tersebut menunjukkan prediksi yang dua hingga tiga kali lebih akurat daripada SolProp, model terbaik sebelumnya8. Model baru ini sangat akurat dlm memprediksi variasi kelarutan karena temperatur, yang memainkan peran penting dalam kelarutan.
Dampak terhadap Lingkungan
Burns menjelaskan bahwa ada beberapa pelarut yg dikenal dapat melarutkan sebagian besar bahan. Pelarut-pelarut ini sangat berguna, namun mereka merusak lingkungan dan berbahaya bagi manusia9. Model mereka sangat berguna dlm mengidentifikasi pelarut terbaik berikutnya yang mudah-mudahan jauh lebih sedikit merusak lingkungan.
Kesimpulan
Pengembangan model AI untuk prediksi kelarutan molekul oleh MIT menandai kemajuan signifikan dlm industri farmasi. Dengan akurasi yang jauh lebih tinggi dibandingkan model sebelumnya, teknologi ini tidak hanya mempercepat proses pengembangan obat tetapi juga membantu mengidentifikasi pelarut yang lebih ramah lingkungan. Ketersediaan gratis model ini memungkinkan akses luas bagi perusahaan dan laboratorium di seluruh dunia, membuka peluang inovasi baru dalam sintesis molekul dan pengembangan obat-obatan.
Referensi
- MIT News. (2025, Agustus 19). A new model predicts how molecules will dissolve in different solvents. https://news.mit.edu/2025/new-model-predicts-how-molecules-will-dissolve-in-different-solvents-0819
- Nature Communications. (2025). Machine learning model for molecular solubility prediction.
- MIT Energy Initiative. (2025). Advances in chemical engineering through AI.
- BigSolDB. (2023). Comprehensive solubility database for organic compounds.
- MIT Chemical Engineering. (2025). FastProp and ChemProp models for molecular property prediction.
- Nature Communications. (2025). Machine learning approaches to solubility prediction.
- MIT Open Source. (2025). FastSolv: Open source solubility prediction model.
- Chemical Engineering Research. (2025). Comparative analysis of solubility prediction models.
- Environmental Chemical Safety. (2025). Sustainable solvent selection in pharmaceutical manufacturing.
