Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Malaria merupakan penyakit fatal yang disebabkan oleh parasit Plasmodium dan ditularkan melalui gigitan nyamuk Anopheles, dengan setengah populasi dunia berisiko terinfeksi. Pada tahun 2021, terdapat 247 juta kasus dan 619.000 kematian akibat malaria, meningkat selama puncak pandemi COVID-19. Komplikasi malaria yang mematikan termasuk malaria serebral, masalah pernapasan, dan kegagalan organ. Penelitian obat anti malaria tradisional menggunakan metode in-vitro yang memakan waktu dan biaya tinggi, sedangkan metode in-silico menawarkan alternatif lebih cepat dan ekonomis, meskipun memiliki keterbatasan. Penelitian ini mengevaluasi interaksi senyawa turunan kuinolon dengan protein target Plasmodium falciparum menggunakan pembelajaran mesin untuk meningkatkan efisiensi prediksi nilai penambatan dengan berbagai model, yaitu K-Nearest Neighbor, Xtra Trees, Xtreme Gradient Boosting, dan Artificial Neural Network. Model menggunakan dua jenis masukan, yaitu SMILES dan deskriptor Alvadesc, yang memberikan informasi struktural dan sifat fisik serta kimia senyawa. Hasil yang didapatkan dari model ini adalah akurasi serta waktu pelatihan model dan kemudian dilakukan perbandingan antara model beserta deskriptornya. Hasil penelitian memperlihatkan AlvaDesc sebagai deskriptor dan model terbaik yaitu Xtreme Gradient Boosting memiliki akurasi yang baik sebesar 83,6% dan waktu 2 menit 05 detik. Hasil rata-rata perbedaan nilai prediksi dengan nilai aktual sebesar 0,23030. ......Malaria is a fatal disease caused by the Plasmodium parasite and transmitted through the bite of Anopheles mosquitoes, with half of the world's population at risk of infection. In 2021, there were 247 million cases and 619,000 deaths due to malaria, an increase observed during the peak of the COVID-19 pandemic. The deadly complications of malaria include cerebral malaria, respiratory issues, and organ failure. Traditional antimalarial drug research using in-vitro methods is time-consuming and costly, while in-silico methods offer a faster and more economical alternative, despite their limitations. This study evaluates the interaction of kuinolon derivative compounds with the target protein of Plasmodium falciparum using machine learning to enhance the efficiency of docking score predictions with various models, namely K-Nearest Neighbor, Extra Trees, Extreme Gradient Boosting, and Artificial Neural Network. The models use two types of inputs: SMILES and AlvaDesc descriptors, which provide structural and physical-chemical properties of the compounds. The results obtained from these models include accuracy and model training time, and a comparison is made between the models and their descriptors. The study results indicate that AlvaDesc as a descriptor and the Extreme Gradient Boosting model performed the best, achieving good accuracy of 83.6% with a training time of 2 minutes and 05 seconds. The average difference between the predicted and actual values was 0.23030.

Abstrak :
Virus Dengue merupakan virus endemik yang telah ada sejak abad ke 15. Virus Dengue memiliki 4 varian, dan keempat varian tersebut beredar secara bebas di Indonesia. Kasus demam berdarah di Indonesia telah mencapai 131.265 kasus pada tahun 2022. Hingga saat ini, belum ditemukan obat ataupun vaksin yang efektif dalam mencegah persebaran dan mengobati penyakit demam berdarah. Senyawa flavonoid diketahui memiliki sifat antioksidan, antikanker, dan sifat inhibisi virus. Salah satu virus yang berpotensi untuk di inhibisi adalah virus Dengue. Namun, dengan ribuan senyawa yang termasuk ke dalam senyawa flavonoid, dibutuhkan waktu lama untuk melakukan pengujian baik secara in vitro ataupun in vivo. Salah satu cara untuk mempercepat proses penemuan senyawa inhibitor potensial adalah metode in silico, dengan metode yang umum digunakan adalah penambatan molekuler. Namun, proses penambatan molekuler juga masih tetap membutuhkan waktu yang lama. Pada penelitian ini, dilakukan prediksi skor penambatan menggunakan metode pembelajaran mesin (machine learning). Data skor penambatan didapat dengan penambatan molekuler menggunakan aplikasi Autodock Vina. Dikembangkan empat model pembelajaran mesin, yakni K-Nearest Neighbor, Xtra Trees, Xtreme Gradient Boosting, dan Artificial Neural Network. Agar komputer dapat mengenali senyawa flavonoid, digunakan deskriptor AlvaDesc dan SMILES. Dari model yang dikembangkan, diambil hasil berupa akurasi dan waktu pelatihan model, dan kemudian dilakukan perbandingan dari setiap model yang dikembangkan beserta deskriptor yang digunakan. Hasil penelitian menunjukkan deskriptor AlvaDesc memiliki akurasi yang lebih tinggi dan waktu pengembangan yang lebih singkat dibandingkan dengan deskriptor SMILES. Model Xtreme Gradient Boosting dengan deskriptor AlvaDesc memiliki performa terbaik dengan akurasi 88,06% dan waktu pelatihan selama 2 menit 40 detik. Model Xtreme Gradient Boosting dengan deskriptor AlvaDesc juga dapat memprediksi skor penambatan senyawa propolis dengan rata-rata perbedaan hasil prediksi dengan nilai aktual sebesar 0,3517428866. ...... Dengue virus is an endemic virus that exist since the 15th century. Dengue Virus has 4 variants, and all of them exist in Indonesia. Dengue virus case reached over 131,265 cases in 2022 alone. Until now, there are no proven and effective drug or vaccine that can prevent the spread and infection of Dengue virus. Flavonoid compounds are known to have antioxidant and anticancer properties. In some cases, Flavonoid is also exhibit antivirus properties against some virus, one of them being Dengue virus. However, with thousands of compounds classified as flavonoid, it will take significant amount of time to discover and develop the drug for Dengue virus, both with in vitro and in vivo method. Alternative method to speed up the drug discovery process is to utilize in silico or simulation method. One of the method is to use molecular docking. Nevertheless, this method still take considerable amount of time to find the suitable compound. In this research, we will examine the usage of machine learning to predict the docking score of flavonoid compound. Docking score data are retrieved from the moelcaular docking with Autodock Vina application. In this research, four models are developed, K-Nearest Neighbor, Xtra Trees, Xtreme Gradient Boosting, and Artificial Neural Network models. The molecular descriptors that used in this research are AlvaDesc and SMILES. From the developed model, the accuracy and training time of the model will be collected and will be analyzed in relation with their model and descriptor that is used. Result shows that AlvaDesc more suitable to be used as descriptor, because of the higher model accuracy and lower training time compared to the SMILES model. XGB Regressor model with Alvadesc descriptor shows the best performance with accuracy of 88.02% and training time of 2 minutes and 40 seconds. The XGB Regressor model is also able to accurately predict the docking score of Propolis compounds with the mean value of the difference between the predicted and actual result value of 0,,3517428866.

Abstrak :
SARS-CoV-2 adalah virus yang menyebabkan pandemi COVID-19 pada 2019 kemarin. Hingga saat ini, belum ditemukan obat yang efektif dalam mengobati penyakit COVID-19. Senyawa flavonoid memiliki banyak khasiat salah satunya inhibitor virus. Hanya saja dengan banyak senyawa flavonoid menyebabkan pencarian senyawa dapat menghabiskan banyak waktu dan sumber daya untuk dilakukan pengujian berdasarkan in-vitro dan in-vivo, sehingga digunakanlah metode in-silico. Salah satu metode in-silico yang umum digunakan adalah penambatan molekuler. Akan tetapi proses penambatan molekuler ini juga masih memakan kekuatan komputasi yang tinggi. Pada Penelitian ini bertujuan untuk mengembangkan metode prediksi nilai penambatan molekuler dari senyawa flavonoid terhadap protein target SARS-CoV-2 menggunakan model pembelajaran mesin. Model yang dikembangkan yakni K-Nearest Neighbor, ExtraTrees, Gradient Boosting, dan Artificial Neural Network. Dalam penelitian ini, dibandingkan dua jenis input model, yaitu SMILES dan Alvadesc deskriptor, untuk memprediksi interaksi antara senyawa flavonoid dan protein target SARS-CoV-2. Hasil penelitian menunjukkan deskriptor AlvaDesc memiliki akurasi yang lebih tinggi dan waktu pengembangan yang lebih singkat dibandingkan dengan deskriptor SMILES. ......SARS-CoV-2, the virus responsible for the COVID-19 pandemic in 2019, has not yet been effectively treated with any drug. Flavonoid compounds exhibit various properties one of it is virus inhibition. However, the search for effective compounds requires extensive time and resources due to the need for in-vitro and in-vivo testing. To expedite this process, the in-silico method, particularly molecular docking, is commonly employed. Nevertheless, molecular docking itself is time-consuming and computationally demanding. Therefore, this study aims to develop a method for predicting the molecular binding affinity of flavonoid compounds to SARS-CoV-2 target proteins using machine learning and deep learning models. Two types of input model, namely SMILES and AlvaDesc descriptors, were compared to predict the interactions between flavonoid compounds and SARS-CoV-2 target proteins. The results indicate that the AlvaDesc descriptor achieves higher accuracy and shorter development time compared to the SMILES descriptor.