Oleh
Bawon Triatmoko
Mahasiswa Program Doktor Ilmu Farmasi, Fakultas Farmasi, UGM
Gambar: Ilustrasi konsep kecerdasan buatan (sumber gambar: Canva)
Kecerdasan buatan (AI) berpotensi merevolusi penemuan obat dari bahan alam. AI, termasuk pembelajaran mesin (Machine Learning – ML) dan desain obat berbantuan komputer (Computer Aided Drug Design – CADD), dapat digunakan untuk memecahkan banyak masalah dalam penemuan obat [1]. Sejauh ini, ML dan CADD telah memainkan peran penting dalam mengembangkan senyawa kecil yang aktif secara terapeutik dari bahan alam (natural product) [2]. Berpijak dari sini, pendekatan komputasi dan kimia informatika yang didukung dengan kemajuan teknologi komputer kini lebih mendapat perhatian peneliti dalam upaya penemuan obat berbasis bahan alam [3]. Pendekatan komputasi telah memungkinkan pengolahan senyawa alam menjadi koleksi data virtual dan fisik, sehingga memfasilitasi pengelolaan ke dalam basis data [4]. Kimia informatika dengan metode in silico, seperti pendekatan berbasis aturan (rule-based), berbasis kesamaan (similarity-based), berbasis bentuk (shaped-based), berbasis farmakofor, dan berbasis jaringan (network-based), serta metode docking dan pembelajaran mesin, dapat meningkatkan peluang mengidentifikasi senyawa kecil terapeutik dari bahan alam [5]. Hingga kini, AI, ML, dan CADD telah diterapkan dalam penemuan obat berbasis bahan alam untuk tujuan skrining obat, prediksi target, sintesis kimia, desain obat, dan pengalihgunaan kembali obat (repurposing). Kemajuan ini menawarkan peluang yang menjanjikan bagi penemuan obat baru dari bahan alam. Selanjutnya, secara lebih detil akan diuraikan mengenai hal ini.
Teknik AI atau ML dapat diterapkan dalam berbagai aspek penemuan obat, termasuk skrining awal obat, prediksi target, sintesis kimia, perancangan obat, dan pengalihgunaan kembali obat. Dalam skrining awal obat, algoritma AI dapat menganalisis kumpulan data yang besar untuk mengidentifikasi calon obat potensial dan memprediksi profil kemanjuran dan keamanannya. Model ML dapat dilatih untuk memprediksi target dengan menganalisis struktur molekul dan mengidentifikasi potensi interaksi antara obat dan target. AI juga dapat membantu sintesis kimia dengan mengoptimalkan kondisi reaksi, memprediksi hasil reaksi, dan merancang molekul baru dengan sifat yang diinginkan. Algoritma ML dapat membantu perancangan obat dengan menghasilkan senyawa virtual dan memprediksi aktivitasnya terhadap target tertentu. Teknik AI dan ML juga dapat digunakan dalam pengalihgunaan kembali obat, yaitu obat yang sudah ada dievaluasi untuk penggunaan terapeutik baru berdasarkan sifat molekuler dan target yang diketahui. Dari sisi ini, AI dan ML berpotensi merevolusi bidang penemuan obat dengan mempercepat identifikasi dan pengembangan obat baru. [1]
Pendekatan komputasi dan kimia informatika yang didukung oleh AI dan ML telah mendapatkan perhatian dalam komunitas ilmiah untuk penemuan obat berbasis bahan alam. Pendekatan ini telah digunakan untuk mengatasi tantangan yang terkait dengan proses ekstraksi, isolasi, dan skrining aktivitas biologis yang terlibat dalam penemuan obat berbasis bahan alam. AI dan ML telah diterapkan dalam berbagai tahap proses penemuan obat, termasuk skrining obat, prediksi target, sintesis kimia, perancangan obat, dan pengalihgunaan kembali obat. Desain obat berbantuan komputer (CADD), salah satu bidang AI, telah memainkan peran penting dalam mengembangkan senyawa kecil yang aktif secara terapeutik dalam tiga dekade terakhir. Pendekatan ini berpotensi mempercepat proses penemuan obat dengan mengurangi waktu dan biaya yang diperlukan untuk metode eksperimental tradisional. Dengan memanfaatkan AI dan ML, peneliti dapat menganalisis kumpulan data yang besar, mengidentifikasi pola, dan membuat prediksi tentang potensi kemanjuran dan keamanan kandidat obat berbasis bahan alam. Dengan demikian, penggunaan pendekatan komputasi dan kimia informatika yang didukung oleh AI dan ML menawarkan peluang yang menjanjikan untuk meningkatkan penemuan obat berbasis bahan alam. [2]
Integrasi pendekatan komputasi dan kimia informatika, serta AI dan ML, telah merevolusi penemuan obat berbasis bahan alam dengan memungkinkan olah data senyawa alam, memfasilitasi pengelolaan basis data, dan membantu identifikasi target molekuler. Pendekatan komputasi dan kimia informatika, yang didukung oleh AI dan ML, telah memungkinkan pengolahan senyawa alam menjadi koleksi data virtual dan fisik. Pendekatan ini juga memfasilitasi pengelolaan ke dalam basis data, memungkinkan penyimpanan dan pengambilan informasi terkait bahan alam secara efisien. Dengan memanfaatkan metode komputasi, peneliti dapat mengidentifikasi target molekuler untuk senyawa alam, yang sangat penting dalam penemuan obat. Algoritma AI dan ML dapat menganalisis kumpulan data besar dan mengidentifikasi target obat potensial, sehingga membantu mempercepat proses penemuan obat. [3]
Pendekatan kimia informatika dengan metode in silico dapat meningkatkan peluang memperoleh hasil yang lebih baik dengan cara yang tepat dan cepat. Pendekatan ini mendukung eksperimen yang menekankan sumber produk herbal atau alami ke arah yang bermanfaat. Dalam konteks pengalihgunaan kembali obat, metode komputasi dan kimia dapat digunakan untuk menetapkan strategi diagnosis penyakit baru dengan memanfaatkan obat yang disetujui dan kandidat obat yang ditolak. Metode-metode tersebut mencakup pendekatan berbasis aturan (rule-based), berbasis kesamaan (similarity-based), berbasis bentuk (shaped-based), berbasis farmakofor, dan berbasis jaringan (network-based), serta metode docking dan pembelajaran mesin. Lebih jauh, dengan menggabungkan kimia informatika dan bioinformatika, serta pendekatan sistem biologis, metode in silico dapat digunakan untuk menemukan aksi fitokimia atau senyawa alam yang belum diselidiki dan untuk mengidentifikasi potensi obat-obatan dengan molekul kecil. [4]
Berbagai metode in silico, seperti pendekatan yang lain, dapat digunakan untuk menemukan aksi fitokimia yang belum diselidiki dan mengidentifikasi obat-obatan dengan molekul kecil. Metode berbasis aturan (rule-based) melibatkan penggunaan aturan yang telah ditentukan sebelumnya untuk memprediksi aktivitas fitokimia berdasarkan fitur struktural dan sifat yang diketahui. Metode berbasis kesamaan (similarity-based) membandingkan kesamaan struktural fitokimia yang belum diselidiki dengan senyawa yang diketahui untuk memprediksi aktivitasnya. Metode berbasis bentuk (shaped-based) menganalisis bentuk tiga dimensi fitokimia untuk mengidentifikasi target obat potensial. Metode berbasis farmakofor mengidentifikasi ciri-ciri struktural umum (farmakofor) di antara obat-obatan yang diketahui dan menggunakannya untuk memprediksi aktivitas fitokimia yang belum diselidiki. Pendekatan berbasis jaringan (network-based) menganalisis interaksi antara fitokimia dan target biologis untuk memprediksi aktivitas mereka. Metode docking dan pembelajaran mesin juga dapat digunakan untuk memprediksi interaksi antara fitokimia dan protein target, sehingga membantu dalam identifikasi obat dengan molekul kecil. [5]
Kesimpulannya, teknik AI dan ML dapat merevolusi penemuan obat dengan mempercepat identifikasi dan pengembangan obat baru. Teknik ini dapat dimanfaatkan dalam berbagai aspek penemuan obat, seperti skrining obat, prediksi sasaran, sintesis kimia, perancangan obat, dan pengalihgunaan kembali obat. Dalam skrining obat, algoritma kecerdasan buatan dapat dipakai untuk memeriksa kumpulan data yang sangat besar untuk mengidentifikasi calon obat potensial dan memprediksi profil kemanjuran dan keamanannya. Dengan menganalisis struktur molekul dan mengidentifikasi kemungkinan interaksi obat-target, model pembelajaran mesin dapat dilatih untuk memprediksi serangan target. Dengan mengoptimalkan kondisi reaksi, memprediksi hasil reaksi, dan merancang molekul baru dengan sifat yang diinginkan, AI dapat membantu sintesis kimia. Dengan menghasilkan senyawa virtual dan memprediksi aktivitasnya terhadap target tertentu, algoritma ML dapat membantu dalam perancangan obat. AI dan ML berpotensi mempercepat proses penemuan obat dengan mengurangi waktu dan biaya yang dibutuhkan oleh teknik eksperimental konvensional. Dalam pengalihgunaan kembali obat, metode komputasi dan kimia informatika, seperti pendekatan berbasis aturan (rule-based), berbasis kesamaan (similarity-based), berbasis bentuk (shaped-based), berbasis farmakofor, dan berbasis jaringan (network-based), serta metode docking dan pembelajaran mesin, dapat digunakan untuk menemukan aksi fitokimia yang belum diselidiki dan mengidentifikasi potensi molekul kecil obat. Semoga bermanfaat.
Pustaka
[1] Biswas, A., Ghosh, I., Rakshit, G., Murtuja, S., Dagur, P., Jayaprakash, V., 2023. Chapter 15 – Application of artificial intelligence and machine learning in natural products-based drug discovery, in: Egbuna, C., Rudrapal, M., Tijjani, H. (Eds.), Phytochemistry, Computational Tools and Databases in Drug Discovery, Drug Discovery Update. Elsevier, pp. 335–355. https://doi.org/10.1016/B978-0-323-90593-0.00016-2
[2] Pant, A., Jena, G.K., Ezzat, S.M., Chikhale, R., Gurav, S., 2023. Chapter 16 – Roles of artificial intelligence and machine learning approach in natural products-based drug discovery, in: Egbuna, C., Rudrapal, M., Tijjani, H. (Eds.), Phytochemistry, Computational Tools and Databases in Drug Discovery, Drug Discovery Update. Elsevier, pp. 357–370. https://doi.org/10.1016/B978-0-323-90593-0.00012-5
[3] Dagur, P., Shreya, Ghosh, R., Rakshit, G., Biswas, A., Ghosh, M., 2023. Computational Methods in Natural Products-Based Drug Discovery, in: Rudrapal, M., Khan, J. (Eds.), CADD and Informatics in Drug Discovery, Interdisciplinary Biotechnological Advances. Springer Nature, Singapore, pp. 99–121. https://doi.org/10.1007/978-981-99-1316-9_5
[4] Kotadiya, M., 2023. Drug Repurposing: Scopes in Herbal/Natural Products-based Drug Discovery and Role of in silico Techniques, in: Drug Repurposing – Advances, Scopes and Opportunities in Drug Discovery. IntechOpen. https://doi.org/10.5772/intechopen.109821
[5] Mittal, P., Goyal, R., Kapoor, R., Wan, C., Gautam, R.K., 2023. Natural Products-based Drugs: Potential Drug Targets Against Neurological Degeneration. Current Neuropharmacology 21, 777–786. https://doi.org/10.2174/1570159X21666230220102605
Kanal Pengetahuan
Fakultas Farmasi
Universitas Gadjah Mada
Sekip Utara, Yogyakarta 55281