Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDalam beberapa tahun terakhir, new psychoacytive substances NPS telah berkembang cepat dalam pasaran sebagai alternatif legal obat yang diatur oleh dunia internasional dengan potensi resiko kesehatan serius. Pada tahun 2016, sebanyak 21 senyawa diantara 56 jenis NPS yang beredar di Indonesia telah teridentifikasi merupakan turunan kanabinoid. Namun, hanya 43 dari 56 NPS yang sudah diatur dalam Peraturan Menteri Kesehatan Nomor 2 tahun 2017. Kemudian diperkirakan NPS akan terus bertambah. Penelitian ini bertujuan untuk memperoleh metode yang paling baik untuk mengklasifikasi senyawa baru golongan kanabinoid dengan menggunakan deep learning untuk meningkatkan performa analisis in silico. Penelitian ini membandingkan metode deep learning dan pemodelan farmakofor. fingerprint dua dimensi dan deskriptor sifat fisikokimia digunakan sebagai bahan pembelajaran metode deep learning. Kedua model yang dihasilkan oleh dua metode akan digunakan untuk mengklasifikasikan golongan senyawa kanabinoid baru. Didapatkan deep learning menggunakan fingerprint dua dimensi sebagai metode terbaik. Metode ini memberikan hasil akurasi dan Kohen Kappa dengan nilai 0,9904 dan 0,9876 secara berurutan. Namun, metode deep learning menggunakan deskriptor dan pemodelan farmakofor memberikan nilai akurasi 0.8958 dan 0,68 dan Kohen Kappa 0,8622 dan 0,396 . Dapat disimpulkan dari nilai akurasi dan Kohen Kappa bahwa metode deep learning fingerprint memiliki potensi untuk digunakan sebagai instrumen untuk mengklasifikasi NPS.

---

ABSTRACTIn recent years, new psychoactive substances NPS have rapidly emerged in market purportedly as legal alternatives to internationally controlled drugs, with potential to pose serious health risks. In 2016, from 56 substances which were found in Indonesia, 21 among them were found as cannabinoid derivates. However, there only 43 out of 56 NPS which have been regulated by Ministry of Health Republic of Indonesia, yet NPS expected to increase. The purpose of this study was to gain the best method to classify new cannabinoid class substances using deep learning to enhance performance of in silico analysis. This study will compared deep learning and pharmacophore modeling methods. Two dimentional fingerprint and physicochemical properties descriptor will be used as learning parameters for deep learning method. The two models produced by two methods will be used to classify new cannabinoid substances class. Deep learning with two dimentional fingerprint was found as the best method. This method shows the highest accuracy and Cohen Kappa scores, with values of 0.9904 and 0.9876 consecutively. However, deep learning method with descriptor and pharmacophore modeling method gave accuracy 0.8958 and 0.68 and Cohen Kappa 0.8622 and 0.396 . These results conclude that deep learning method with two dimentional fingerprint gives an alternative method to be used as an instrument for NPS classification. "

"Methicillin-resistant Staphylococcus aureus (MRSA) telah menyebar luas dan menjadi penyebab utama infeksi, baik di masyarakat maupun rumah sakit. MRSA tidak hanya berdampak bagi kesehatan, tetapi juga menimbulkan implikasi ekonomi serius dengan perkiraan kontribusi yang signifikan terhadap kematian dalam dekade mendatang. Penicillin-binding Protein 2a (PBP2a) merupakan protein tambahan pada membran bakteri Staphylococcus aureus yang bertanggung jawab atas resistensinya terhadap antibiotik β-laktam, termasuk metisilin. Dalam penelitian ini, senyawa yang diketahui memiliki aktivitas sebagai inhibitor PBP2a digunakan sebagai training set dan active set. Training set digunakan untuk membuat model farmakofor menggunakan metode shared dan merged pada perangkat lunak LigandScout. Model dari metode shared menghasilkan skor tertinggi sebesar 0,8525 dengan fitur dua daerah hidrofobik (H) dan satu akseptor ikatan hidrogen (HBA). Sementara itu, Model dari metode merged menghasilkan skor tertinggi sebesar 0,8053 dengan fitur empat akseptor ikatan hidrogen (HBA). Setelah dilakukan optimasi dan validasi menggunakan active set dan decoy set, model farmakofor terbaik berasal dari model yang dibangun menggunakan metode shared dengan penurunan weight sebesar 0,1 pada fitur farmakofor H1. Parameter analisis yang diperoleh adalah AUC100%; EF1%; EF5%; sensitivitas; dan spesifisitas yang berturut-turut senilai 0,67; 3,9; 3,1; 0,65; dan 0,60. Model farmakofor terbaik digunakan untuk melakukan penapisan virtual pada pangkalan data HerbalDB. Pemeringkatan senyawa kandidat dilakukan berdasarkan pharmacophore-fit score tertinggi. Senyawa kandidat yang termasuk dalam peringkat sepuluh tertinggi adalah Trigonelloside C, (S)-6-Gingerol, Epicatechin-(4β→6)-epicatechin-(4β→8)-catechin, Mesuol, Scutellarein 7-glucosyl-(1→4)-rhamnoside, trans-p-Ferulyl alcohol 4-O-[6-(2-methyl-3-hydroxypropionyl)] glucopyranoside, 3’-Deoxymaysin, 15-HETE, Proanthocyanidin A1, dan Anhydrosafflor yellow B.

---

Methicillin-resistant Staphylococcus aureus (MRSA) has spread widely and become a major cause of infections in both the community and hospitals. MRSA not only impacts health but also has serious economic implications, with a significant contribution to mortality expected in the coming decade. Penicillin-binding Protein 2a (PBP2a) is an additional protein on the membrane of the Staphylococcus aureus responsible for its resistance to β-lactam antibiotics, including methicillin. In this study, compounds known to have activity as PBP2a inhibitors were used as the training set and active set. The training set was used to create pharmacophore models using the shared and merged methods in the LigandScout software. The model from the shared method achieved the highest score of 0.8525 with features of two hydrophobic regions (H) and one hydrogen bond acceptor (HBA). Meanwhile, the model from the merged method achieved the highest score of 0.8053 with features of four hydrogen bond acceptors (HBA). After validation and optimization using the active set and decoy set, the best pharmacophore model was obtained from the shared method with a weight reduction of 0.1 on the H1 pharmacophore feature. The analysis parameters obtained were AUC100%; EF1%; EF5%; sensitivity; and specificity which score were 0,67; 3,9; 3,1; 0,65; dan 0,60 respectively. The best pharmacophore model was used for virtual screening on the HerbalDB database. Candidate compounds were ranked based on the highest pharmacophore-fit score, with the top ten candidate compounds being Trigonelloside C, (S)-6-Gingerol, Epicatechin-(4β→6)-epicatechin-(4β→8)-catechin, Mesuol, Scutellarein 7-glucosyl-(1→4)-rhamnoside, trans-p-Ferulyl alcohol 4-O-[6-(2-methyl-3-hydroxypropionyl)] glucopyranoside, 3’-Deoxymaysin, 15-HETE, Proanthocyanidin A1, dan Anhydrosafflor yellow B."

"Pemodelan farmakofor merupakan suatu metode perancangan obat dengan pendekatan komputasi (in silico) yang berperan penting untuk mengetahui aksi spesifik antara ligan dengan target makromolekul. Pemodelan farmakofor memiliki beberapa keterbatasan, seperti sering dihasilkannya senyawa positif palsu dan negatif palsu dalam rasio yang tinggi. Oleh sebab itu, pengembangan perlu dilakukan untuk memperoleh model farmakofor yang lebih prediktif. Pada penelitian ini, dilakukan pengembangan model farmakofor yang diaplikasikan pada senyawa antagonis reseptor adenosin A2A menggunakan perangkat lunak LigandScout. Senyawa antagonis reseptor adenosin A2A diperoleh dari ChEMBL dengan nilai Ki ≤ 10 nM sebanyak 94 ligan digunakan sebagai training set dan nilai Ki > 10 nM sebanyak 3.556 ligan digunakan sebagai decoy set. Pembentukan model farmakofor dan optimasi dilakukan menggunakan training set dan divalidasi menggunakan test set yang merupakan gabungan dari training set dan decoy set. Kemudian, dilakukan analisis statistik melalui perhitungan beberapa parameter analisis berdasarkan kelompok klasifikasi biner. Dari penelitian ini, diperoleh empat fitur farmakofor dari model antagonis reseptor adenosin A2A yang mencakup 1 H (Hydrophobic Interaction), 2 HBA (Hydrogen Bond Acceptor), dan 1 HBD (Hydrogen Bond Donor). Selain itu, diperoleh nilai parameter validasi model yaitu AUC100% sebesar 0,65; EF1% sebesar 4,3; dan EF5% sebesar 3,6 serta nilai ketujuh parameter analisis statistik yaitu akurasi sebesar 0,3789; error rate sebesar 0,6211; sensitivitas sebesar 0,9894; spesifisitas sebesar 0,3684; presisi sebesar 0,0326; nilai prediksi negatif sebesar 0,9974; dan false discovery rate sebesar 0,9674. Nilai dari parameter-parameter tersebut diperoleh dari hasil optimasi model farmakofor yang berbeda-beda sehingga belum ditemukan satu model yang memiliki nilai terbaik untuk semua parameter.

---

Pharmacophore modeling is a drug design method with a computational approach (in silico) that represents the important role of ligand's specific actions with macromolecular targets. Pharmacophore modeling has several limitations, such as frequent false positives and false negatives in high ratios. Therefore, model development is needed to obtain a more predictive pharmacophore model. In this study, the development of a pharmacophore model was applied to the adenosine A2A receptor antagonist compound using LigandScout. The adenosine A2A receptor antagonist compound obtained from ChEMBL with Ki value ≤ 10 nM (94 ligands) was used as a training set and a Ki value > 10 nM (3,556 ligands) was used as a decoy set. The pharmacophore model and its optimization were formed from a training set, validated using a test set which is a combination of a training set and a decoy set. Then, statistical analysis is carried out by calculating several parameters based on the analysis of binary classification groups. From this study, four pharmacophore features of the adenosine A2A receptor antagonist model were obtained, consisting of 1 H (Hydrophobic Interaction), 2 HBA (Hydrogen Bond Acceptor), and 1 HBD (Hydrogen Bond Donor). In addition, the values of AUC100% (0.65); EF1% (4.3); and EF5% (3.6) were obtained from model validation parameters and the values of accuracy (0.3789); error rate (0.6211); sensitivity (0.9894); specificity (0.3684); precision (0.0326); negative predictive value (0.9974); and a false discovery rate (0.9674) were obtained from the seven statistical analysis parameters. The value of these parameters were obtained from the optimization results of different pharmacophore models. Accordingly, the model that has the best values for all parameters has not been determined."