Nutrigenomik, AI, dan Masa Depan Kesehatan

Oleh: Tauhid Nur Azhar*
Tadi pagi usai berjalan kaki sekitar 2,3 km di daerah Bandung Utara, saya merapat ke sebuah griya tawang tempat dimana anak asuh saya dan keluarganya menginap. Keluarga kecil mereka datang ke Bandung untuk bersilaturahim Lebaran. Maklumlah, pasangan suami istri ini dulu sama-sama menyelesaikan studi sarjananya di Bandung. Sang suami, Mas Danu Wirawardoyo adalah alumni Fakultas Teknik Elektro Telkom University, sedangkan Teh Icha istrinya adalah alumni Fakultas Farmasi Universitas Pajajaran.

Mas Danu saat kuliah di Bojongsoang, cukup lama menjadi asisten saya di berbagai kegiatan, baik pendidikan, pelatihan, riset, maupun kegiatan sosial di berbagai komunitas. Maka hubungan kami sudah seperti layaknya keluarga. Sampai pernikahan beliaupun saya turut serta sebagai perwakilan keluarga mempelai pria.

Obrolan santai di pagi tadi dengan diselingi celotehan kedua jagoan buah hati mereka yang saat ini sudah duduk di bangku TK, penuh dengan keceriaan, dan tentu saja kerinduan.

Usai melepas kangen dan saling bertukar oleh-oleh, dan Mas Danu memang beruntung, pagi sebelum saya berangkat menemui Mas Danu, durian matang dari pohon di depan rumah kami di kompleks Istana Bunga jatuh. Rejeki anak sholeh memang, maka dengan digembol dengan bantuan goody bag, durian itu saya bawa berjalan kaki menelusuri lembah dan gang-gang sempit padat permukiman di seputaran Cisitu.

Usai bercengkerama kami memutuskan untuk menyantap sarapan. Saya menyarankan untuk mencicipi hidangan prasmanan ala warungan di Dalaraos, yang gerainya ada di Jl Siliwangi, tepat di seberang taman Cikapundung yang diinisiasi oleh Balai Besar Wilayah Sungai Citarum.

Saya memilih nasi merah sebagai sumber karbohidrat, lalu mengambil tongkol suwir, semur ayam, cap cay, tumis brokoli jamur, dan sapi lada hitam, serta lalap segar lengkap dengan sambal dadaknya. Lalu sambil menikmati hidangan yang tersaji dan berulang kali dalam hati terus memuji kelezatan koki Dalaraos, pikiran saya berkelana ke sebuah peristiwa yang sebenarnya belum terlampau lama terjadi, makan brongkos di Bale Merapi Jogja.

Mengapa jadi teringat Bale Merapi dan Brongkosnya? Apa karena kluwek nya sedemikian mempesona, atau adakah penyebab lainnya? Mungkin akumulasi semuanya, karena saya juga teringat tentang teman-teman Widya Genomik yang diinisiasi panutan saya, Pak Kiwi Aliwarga.

Widya Genomik adalah lembaga pelayanan pemeriksaan genomik yang menawarkan pendekatan saintifik dalam memindai dan menganalisis profil genom beserta dinamikanya, yang dapat terimplementasi dalam berbagai kondisi patologi yang menyertai.

Dengan mengembangkan metoda pemeriksaan genom terkini, seperti teknik microarray, Widya Genomik dapat membantu menganalisis usia biologis, potensi resiko penyakit di masa depan, pola makan/asupan nutrisi yang sesuai dengan karakter genomik (nutrigenomik), sampai gaya hidup dan olahraga yang sesuai dengan profil genom agar kesehatan dan kualitas hidup dapat teroptimasi.

Terkait asupan nutrisi dan peran nutrisi pada ekspresi gen tertentu, saat ini memang telah berkembang berbagai pendekatan yang sangat presisi dan dapat menyasar gen target sesuai dengan analisis data dan peta fungsi dari setiap gen. Era pemeriksaan gen dengan metoda whole genome sequencing telah membawa kita ke dalam data pustaka genomik yang sedemikian lengkapnya.

Maka pendekatan berbasis gen dapat dilakukan secara lebih presisi dengan tingkat akurasi tinggi. Ini bukan semata soal memanipulasi gen dengan metoda seperti CRISPR-Cas9 saja, tetapi kita juga dapat melihat dan mengamati pengaruh berbagai faktor dalam ekspresi gen-gen tertentu.

Pendekatan nutrigenomik salah satunya. Nutrigenomik adalah studi tentang interaksi antara nutrisi dan genom, yang memungkinkan kita untuk memahami bagaimana makanan yang kita konsumsi dapat mempengaruhi ekspresi gen kita. Gen-gen tertentu berperan penting dalam proses ini.

Fungsinya antara lain memoderasi respons tubuh terhadap makanan yang kita makan. Banyak gen yang terlibat dalam proses dan mekanisme nutrigenomik, gen FTO (Fat Mass and Obesity Associated) salah satunya.

Gen ini telah dikaitkan dengan risiko obesitas dan kelebihan berat badan. Penelitian menunjukkan bahwa variasi dalam gen FTO dapat mempengaruhi respon individu terhadap diet tinggi lemak dan karbohidrat.

Gen FTO adalah gen yang mengkoding enzim dioksigenase yang bergantung pada asam alfa-ketoglutarat (FTO) yang terkait dengan obesitas.

Gen FTO berada di kromosom 16 dan diyakini terlibat dalam pengaturan produksi dan respons terhadap hormon kenyang seperti leptin, yang berperan dalam mengendalikan nafsu makan.

Variasi genetik pada FTO dapat memengaruhi aktivitas dan ekspresi gen dalam jalur regulasi nafsu makan di otak. Beberapa penelitian menunjukkan bahwa perbaikan faktor lingkungan (gaya hidup) dapat mengurangi efek polimorfisme FTO terhadap obesitas.

Penelitian juga menyimpulkan bahwa gen FTO tidak berperan dalam laju metabolisme basal atau jenis pengeluaran energi lainnya.

Selain FTO, gen ACE (Angiotensin Converting Enzyme) juga kini banyak diteliti, terutama karena peran sentralnya dalam proses pengaturan tekanan darah. Studi nutrigenomik menunjukkan bahwa variasi dalam gen ACE dapat memengaruhi respons terhadap asupan garam, yang berkontribusi pada risiko hipertensi.

Lalu ada gen GSTM1 dan GSTT1 (Glutathione S-Transferase M1 dan T1) yang terlibat dalam detoksifikasi zat-zat berbahaya dalam tubuh.

Polimorfisme dalam gen GSTM1 dan GSTT1 telah dikaitkan dengan respons terhadap polutan lingkungan dan senyawa karsinogenik dalam makanan.

Sebut juga gen APOE (Apolipoprotein E), gen penting yang terlibat dalam metabolisme lipid dan risiko penyakit kardiovaskular. Polimorfisme dalam gen APOE telah dikaitkan dengan respons terhadap asupan lemak dan kolesterol dalam diet.

Last but not least, adalah gen MTHFR (Methylenetetrahydrofolate Reductase). Gen ini terlibat dalam metabolisme asam folat. Varian genetik dalam MTHFR telah dikaitkan dengan respons terhadap asupan folat dalam diet dan risiko penyakit kardiovaskular.

Jangan lupa juga, ada proses radang atau inflamasi di setiap sikap dan model interaksi yang menghubungkan manusia, lingkungan, dan vektor, atau faktor pemantik. Gen TNF-alpha (Tumor Necrosis Factor-alpha) terlibat dalam respon inflamasi atau peradangan.

Polimorfisme dalam gen TNF-alpha telah dikaitkan dengan respons terhadap asupan lemak dan karbohidrat dalam diet serta risiko perkembangan penyakit inflamasi seperti penyakit jantung dan diabetes.

Pertanyaan mendasar yang mungkin muncul seiring dengan semakin maraknya upaya memperbaiki asupan nutrisi berdasar profil genomik, adalah bagaimana nutrisi dapat mempengaruhi kinerja atau ekspresi gen?

Misal pada gen FTO yang berhubungan dengan hormon Leptin dll. Ternyata makanan yang kita konsumsi dapat mempengaruhi ekspresi gen FTO melalui beberapa cara, antara lain metilasi DNA, dimana nutrisi dapat mempengaruhi metilasi DNA di sekitar gen FTO. Perubahan dalam metilasi DNA dapat memodulasi aksesibilitas gen untuk faktor transkripsi, yang pada gilirannya dapat memengaruhi tingkat transkripsi gen FTO.

Ada pula titik tangkap pengaruh molekul nutrisi pada mekanisme modifikasi histon, dimana nutrisi dapat mempengaruhi modifikasi pada histon, protein yang membungkus DNA melalui mekanisme asetilasi atau metilasi yang dapat mempengaruhi ketersediaan DNA untuk transkripsi gen FTO.

Berikutnya ada interaksi antara nutrisi dengan faktor transkripsi, dimana nutrisi tertentu dapat berinteraksi dengan faktor transkripsi yang mengatur ekspresi gen FTO. Sebagai contoh, beberapa studi menunjukkan bahwa diet tinggi lemak dan karbohidrat dapat mempengaruhi aktivitas faktor transkripsi tertentu yang terlibat dalam regulasi gen FTO.

Terakhir ada mekanisme pengaruh melalui interaksi dengan sinyal metabolik, dimana komponen makanan, seperti asam lemak atau glukosa, dapat berperan sebagai sinyal metabolik yang mengaktifkan jalur-jalur intraseluler yang pada akhirnya memengaruhi ekspresi gen FTO.

Lalu bagaimana pemeriksaan genomik dapat membantu perencanaan asupan nutrisi yang tepat dengan profil genom seseorang? Gen seseorang menggambarkan berbagai potensi fenotip, termasuk resiko kondisi patologis tertentu, jika diekspresikan baik secara normal atau dalam keadaan termutasi (wild type dan mutant). Untuk itu hubungan gen dengan resiko penyakit dan juga dengan fungsi normalnya dapat dibantu dipetakan antara lain dengan teknologi microarray.

Dimana Metode microarray memungkinkan para peneliti untuk secara simultan memeriksa ekspresi gen dalam jumlah ribuan, bahkan jutaan gen sekaligus.

Hal ini memungkinkan identifikasi pola ekspresi gen yang berkaitan dengan kondisi tertentu, seperti penyakit atau respon terhadap pengobatan.

Dengan menggunakan metoda microarray, peneliti dapat membandingkan ekspresi gen antar sampel yang berbeda, misalnya, sel kanker versus sel normal.

Contoh pemeriksaannya antara lain identifikasi pola ekspresi gen yang berbeda antara sel kanker payudara dan sel normal payudara. Dimana pemetaan genomik microarray dapat digunakan untuk memetakan variasi genomik, seperti penemuan single nucleotide polymorphysm/ polimorfisme nukleotida tunggal (SNP).

Penggunaan metoda DNA-Chip sebagai metoda dalam microarray DNA, memungkinkan deteksi mutasi genetik dan varian genomik lainnya, seperti deteksi mutasi dalam gen BRCA1 dan BRCA2 yang terkait dengan kanker payudara herediter.

Tingkat akurasi dan ekstensi dari hasil pemeriksaan genomik (melalui metoda microarray) dapat ditingkatkan dengan mengadopsi teknologi analisis data berbasis kecerdasan artifisial (AI).

Adapun beberapa konsep penerapan AI dalam analisis genomik antara lain adalah,
Pengenalan Pola Genomik, dimana algoritma machine learning dapat digunakan untuk mengidentifikasi pola kompleks dalam data genomik, seperti pola ekspresi gen yang terkait dengan penyakit atau respons terhadap pengobatan.

Contoh teknik yang digunakan termasuk analisis clustering dan analisis faktor kontributor utama.

Prediksi Fungsi Gen, dimana AI dapat digunakan untuk memprediksi fungsi gen berdasarkan urutan DNA atau ekspresi gen. Algoritma machine learning dapat melatih model untuk mengidentifikasi homologi dengan gen yang telah dikarakterisasi atau untuk memprediksi fungsi berdasarkan fitur genomik lainnya.

Penemuan Sekuens terkait Motif DNA, dimana algoritma machine learning dapat digunakan untuk mengidentifikasi motif DNA yang penting, seperti motif pengikat faktor transkripsi atau motif regulasi genomik lainnya.

Lalu ada metode seperti Hidden Markov Models atau pemodelan Markov tersembunyi (HMM) dan artificial neural network/ jaringan saraf tiruan (ANN) yang dapat digunakan untuk menganalisis hubungan asosiatif gen dengan keluaran berupa kondisi fisiologi dan patologi tertentu.

AI juga dapat digunakan untuk menganalisis variasi genetik, termasuk deteksi varian yang terkait dengan penyakit atau karakteristik fenotipik tertentu. Metode seperti Deep Learning dapat digunakan untuk mengidentifikasi polimorfisme nukleotida tunggal (SNP) atau mutasi struktural lainnya dari data genomik juga pemetaan genomik fungsional seperti pemetaan protein-DNA dan pemetaan interaksi antar genom yang sangat membantu dalam pemahaman struktur dan fungsi genom dengan lebih baik.

Yang tak kalah penting AI dapat digunakan untuk memprediksi dan merancang kandidat obat serta menyusun menu diet dalam konteks nutrigenomik.

AI dapat digunakan untuk mengidentifikasi kandidat obat dan ketepatan nutrisi berdasark pemahaman yang lebih mendalam tentang regulasi gen dan jalur biologis terkait dengan penyakit dan pencegahan penyakit, antara lai dengan menggunakan algoritma machine learning untuk memprediksi efek molekuler senyawa pada target biologis.

Dalam analisis genomik, terdapat beberapa model AI yang umumnya digunakan untuk mengolah dan menganalisis data genomik. Berikut adalah beberapa model AI yang sering digunakan, Artificial Neural Network atau jaringan syaraf tiruan, yang digunakan dalam analisis genomik untuk tugas seperti klasifikasi, regresi, dan pengenalan pola, terutama dalam konteks pengenalan pola dalam urutan DNA atau ekspresi gen.

Lalu ada Hidden Markov Model (HMM), dimana HMM adalah model probabilitas yang digunakan untuk memodelkan urutan data yang terstruktur, seperti urutan DNA. Dalam analisis genomik, HMM sering digunakan untuk pemetaan genomik fungsional, identifikasi motif DNA, dan analisis variasi genetik.

Kemudian ada Deep Learning/DL, dimana DL dapat dipergunakan untuk mempelajari representasi data yang kompleks. Dalam analisis genomik, DL digunakan untuk tugas seperti pengenalan pola, prediksi fungsi gen, dan identifikasi variasi genetik.

Natural Language Processing (NLP) dan Generative AI seperti Transformer dengan model GAN nya dalam konteks genomik dapat digunakan untuk menganalisis dan mengekstraksi informasi dari literatur ilmiah, basis data genomik, dan catatan medis untuk mendukung penelitian dan pengembangan obat serta komposisi nutrisi dalam pendekatan nutrigenomik.

Pengelompokan Gen (Clustering) sebagai teknik pengelompokan yang digunakan dalam analisis genomik untuk mengidentifikasi pola-pola yang tersembunyi dalam data ekspresi gen atau variasi genetik, dapat dibantu beberapa metoda seperti k-means clustering dan hierarchical clustering.

Graph Modeling dapat digunakan untuk mewakili hubungan kompleks antara entitas genomik, seperti interaksi protein-protein, jalur biologis, dan struktur kromosom. Dalam analisis genomik, Graf Modeling digunakan untuk memahami regulasi gen, interaksi genom-genom, dan jaringan biologis.

Dalam konteks nutrigenomik, beberapa model AI dapat digunakan secara bersamaan. Analisis data medis dengan generative AI yang diikuti desain menu dengan bantuan model Graf, yang dapat memetakan jalur asosiatif antara molekul nutrisi dengan ekspresi gen tertentu dan di bantu DL untuk memprediksi keluaran berupa target-target preventif yang telah dicanangkan di awal program.

Model Graf dapat menganalisa hubungan antara polimorfisme gen tertentu dengan jalur metabolisme dan pilihan nutrisi yang memiliki titik tangkap atau reseptor target di gen-gen yang terlibat dalam proses terkait.

Pencegahan penyakit akan dapat dioptimasi dengan pendekatan presisi berbasis genomik, sekaligus dengan mengedepankan kearifan dan keunggulan bahan-bahan pangan lokal yang diolah dengan teknik dan proses berbasis data saintifik yang dapat dipertanggungjawabkan secara akademik. *

*Penulis adalah periset tamu pada Kelompok Keahlian Teknik Biomedika Institut Teknologi Bandung. Juga merupakan periset tamu di Program Study Biomedik Telkom University Bandung.

Daftar Bacaan Lanjut

Corella, D., & Ordovas, J. M. (2014). Nutrigenomics in cardiovascular medicine. Circulation: Cardiovascular Genetics, 7(1), 3-4.

Ferguson, L. R., & Philpott, M. (2016). Nutrition and mutagenesis. Annual review of nutrition, 36, 365-397.

Ordovas, J. M., & Ferguson, L. R. (2000). Nutrigenetics and nutrigenomics. In Genomics and proteomics in nutrition (pp. 240-256). CRC Press.

Vimaleswaran, K. S., & Loos, R. J. (2010). Progress in the genetics of common obesity and type 2 diabetes. Expert reviews in molecular medicine, 12.

Schena, M., Shalon, D., Davis, R. W., & Brown, P. O. (1995). Quantitative monitoring of gene expression patterns with a complementary DNA microarray. Science, 270(5235), 467-470.

Venter, J. C., Adams, M. D., Myers, E. W., et al. (2001). The sequence of the human genome. Science, 291(5507), 1304-1351.

Kwiatkowski, D. J., & Collins, F. S. (1999). Huntington’s disease–insights from the genetics of huntingtin. Science, 291(5512), 259-260.

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.

Durbin, R., Eddy, S. R., Krogh, A., & Mitchison, G. (1998). Biological sequence analysis: probabilistic models of proteins and nucleic acids. Cambridge University Press.

Alipanahi, B., Delong, A., Weirauch, M. T., & Frey, B. J. (2015). Predicting the sequence specificities of DNA-and RNA-binding proteins by deep learning. Nature biotechnology, 33(8), 831-838.

Manning, C. D., Surdeanu, M., Bauer, J., Finkel, J., Bethard, S. J., & McClosky, D. (2014). The Stanford CoreNLP natural language processing toolkit. ACL (System Demonstrations), 55-60.

Tan, P. N., Steinbach, M., & Kumar, V. (2005). Introduction to data mining. Pearson Education.