GPT-5 menyusun hipotesis imunologi, verifikasi tetap di laboratorium

Laboratorium Derya Unutmaz menyimpan data sel T yang mekanismenya belum terjelaskan sejak 2022. Pada akhir 2025, imunolog The Jackson Laboratory itu meminta GPT-5 Pro membaca grafik alir sitometri yang belum diterbitkan. Model menyusun hipotesis biologis dan menebak arah hasil eksperimen CAR-T lain yang juga belum terbit. Kasus ini menunjukkan kegunaan AI sebagai mesin hipotesis, bukan bukti bahwa model telah menghasilkan kebenaran ilmiah sendiri.

Data lama membuka pertanyaan tentang metabolisme sel T

Eksperimen Unutmaz bermula pada 2022 untuk menguji pengaruh glukosa terhadap perkembangan sel T. Tim membandingkan lingkungan rendah glukosa dengan paparan 2-deoksi-D-glukosa (2-DG), molekul yang mengganggu pemakaian glukosa. Paparan 2-DG menghasilkan lebih banyak sel proinflamasi mirip Th17 daripada kondisi rendah glukosa. Dampaknya bertahan setelah 2-DG dibersihkan, sehingga kekurangan energi saja tidak cukup menjelaskan hasil tersebut.

Unutmaz kemudian memberikan grafik data sel T manusia kepada GPT-5 Pro. Bahan itu bukan pertanyaan umum dari buku teks, melainkan hasil laboratorium yang perlu ditafsirkan bersama konteks eksperimen. Model harus membedakan pengaruh pembatasan energi dari perubahan lain pada fungsi sel. Nilai kasus ini terletak pada hubungan antara data khusus, pengetahuan literatur, dan pertanyaan yang dirumuskan pakar.

Hipotesis mengarah ke glikosilasi dan sinyal IL-2

GPT-5 Pro mengusulkan bahwa 2-DG mengganggu glikosilasi terkait-N, bukan sekadar mengurangi pasokan energi sel. Glikosilasi terkait-N (N-linked glycosylation) adalah proses penambahan rantai gula pada protein. Model mengaitkan gangguan itu dengan melemahnya jalur reseptor interleukin-2 (IL-2). Pelemahan sinyal IL-2 lalu diperkirakan mengurangi hambatan terhadap diferensiasi sel Th17.

Model juga memperkirakan bahwa pengaruh utama muncul pada sel T memori, bukan sel T naif. Naskah menyebut hubungan tersebut masuk akal secara biologis bagi tim setelah dijelaskan. Namun, masuk akal tidak sama dengan terbukti. Penulis masih mencantumkan eksperimen lanjutan pada glikosilasi dan jalur IL-2 yang perlu dikerjakan sebelum hasilnya diterbitkan.

Prediksi CAR-T menjadi pengujian yang lebih kuat

Tim kemudian memakai eksperimen tertahan (held-out experiment), yakni hasil pembanding yang tidak diberikan saat model menyusun prediksi. Unutmaz meminta GPT-5 Pro memperkirakan dampak paparan singkat 2-DG terhadap sel CD8+ yang direkayasa menjadi CAR-T anti-CD19. Model memperkirakan daya bunuh terhadap sel limfoma akan meningkat. Menurut naskah, prediksi itu hampir sama dengan data internal laboratorium yang belum diterbitkan.

Pengujian ini lebih informatif daripada hipotesis yang hanya terdengar meyakinkan. Arah prediksi ditetapkan sebelum dibandingkan dengan hasil yang disimpan peneliti. Namun, penilaian berasal dari laboratorium dan penulis kasus yang sama. Data mentah, protokol lengkap, serta replikasi independen belum tersedia dalam publikasi yang ditelaah sejawat.

Butir dari pracetak membatasi klaim kebaruan

Naskah memberi batas berbeda untuk usulan eksperimen penyelamatan dengan manosa. Laboratorium telah melakukan eksperimen itu dan hasilnya sesuai dengan saran GPT-5 Pro. Penulis mengakui cerita serupa tentang penyelamatan dengan manosa pernah dimuat dalam pracetak bioRxiv. Karena itu, model mungkin telah mengetahui petunjuk tersebut dan menghubungkannya dengan grafik baru.

Butir ini tidak sama dengan prediksi CAR-T yang dibandingkan dengan data internal lain. Pemisahan keduanya penting ketika menilai apakah model mengingat pola lama atau menyusun hubungan baru. Bahkan untuk CAR-T, hasil yang belum diterbitkan belum menjadi verifikasi independen. Klaim paling aman adalah model menghasilkan prediksi yang cocok dengan satu pembanding internal.

Keandalan berasal dari alur verifikasi

Tiga unsur menopang hasil kasus ini: data laboratorium yang terstruktur, pakar yang menilai kelayakan biologis, dan eksperimen pembanding. Model membantu memperluas pilihan mekanisme serta menyusun percobaan berikutnya. Pakar menentukan hipotesis yang layak dikejar dan kontrol yang dibutuhkan. Laboratorium kemudian menyediakan cara untuk menolak atau mendukung prediksi.

Susunan ini juga menjelaskan mengapa akses ke model saja tidak cukup. Data berisik atau konteks eksperimen yang tidak lengkap bisa mengarahkan model ke penjelasan yang keliru. Tanpa pakar, keluaran yang fasih sulit dibedakan dari mekanisme yang masuk akal. Tanpa eksperimen tertahan, kecocokan terhadap data awal bisa sekadar penjelasan setelah kejadian.

Pelajaran serupa berlaku dalam pengembangan obat berbasis AI, tempat kecepatan menemukan kandidat belum menggantikan bukti klinis. Mesin hipotesis memindahkan waktu peneliti dari pencarian awal menuju pengujian. Penghematan itu bernilai bila desain uji tetap mampu membantah keluaran model. Ukuran keberhasilan akhirnya adalah hipotesis yang lolos verifikasi, bukan jumlah jawaban yang dihasilkan.

Indonesia memiliki penerapan AI, tetapi tolok ukur ini belum terbuka

Prosiding Penerbit Badan Riset dan Inovasi Nasional (BRIN) memetakan 26 penerapan AI dan empat inisiatif di Indonesia. Di bidang kesehatan, katalognya mencakup himpunan data morfologi dan senyawa mikrob untuk mempercepat pengembangan obat antiinfeksi. Contoh itu menunjukkan bahwa mutu serta susunan data sudah menjadi bagian dari agenda riset nasional. Prosiding tersebut tidak melaporkan pengujian model bahasa sebagai pembangkit hipotesis dengan hasil eksperimen tertahan.

Sampai artikel ini disusun, kami belum menemukan dokumen resmi lembaga Indonesia yang memuat evaluasi sejenis. Belum tersedia angka tentang ketepatan hipotesis, tingkat kegagalan, atau replikasi lintas laboratorium. Kesenjangan informasi ini tidak membuktikan bahwa peneliti Indonesia belum memakai model bahasa untuk riset biomedis. Artinya, perbandingan langsung dengan kasus Unutmaz belum bisa dibuat dari dokumen publik yang kami periksa.

Satu studi kasus belum menjadi tolok ukur umum

Laporan kasus tersebut diajukan ke arXiv pada 20 November 2025 dengan Unutmaz dan sejumlah peneliti OpenAI sebagai penulis. Formatnya menghimpun kasus dari beberapa disiplin, bukan uji terkontrol atas tingkat keberhasilan GPT-5 dalam imunologi. Naskah juga mengingatkan bahwa keluaran model dipengaruhi rincian pertanyaan dan percakapan lanjutan. Reproduksinya karena itu perlu menguji model pada banyak set data, termasuk kasus ketika prediksi gagal.

Kontribusi yang terlihat adalah pemendekan jalur dari data menuju hipotesis yang bisa diuji. Kasus ini belum menetapkan bahwa GPT-5 memahami biologi secara umum atau menghasilkan penemuan tanpa bantuan manusia. Bukti berikutnya perlu mencakup publikasi data, metode, hasil eksperimen lanjutan, dan replikasi independen. Sampai tahap itu, posisi model tetap sebagai alat penyusun hipotesis dalam alur riset yang dikendalikan ilmuwan.