Prediksi Drug-Target Interaction pada Kasus Coronavirus Disease 2019 Menggunakan Model Deep Semi Supervised Learning

Abstract

Coronavirus disease 2019 (COVID-19) merupakan penyakit menular sistem pernapasan yang menyebabkan pandemi di tahun 2020. Belum ada pengobatan khusus yang efektif untuk mengatasinya. Drug repositioning digunakan untuk mengatasi penyakit baru dengan mencari kegunaan baru dari senyawa obat yang sudah lolos uji sebelumnya untuk obat baru. Cara ini dilakukan dengan meneliti interaksi senyawa obat dan protein target (DTI). Deep Semi-Supervised Learning (DSSL) digunakan untuk mengatasi sedikitnya informasi DTI. DSSL memanfaatkan algoritme unsupervised learning seperti Stacked Autoencoder (SAE) sebagai pre-training untuk inisialisasi bobot pada Deep Neural Network (DNN). Penelitian ini menggunakan DSSL dengan pendekatan chemogenomics berbasis fitur pada data hasil eksplorasi potensi pengobatan anti-koronavirus. Penelitian menemukan bahwa penggunaan fingerprint untuk fitur senyawa dan Dipeptide Composition (DC) untuk fitur protein memberikan hasil paling baik pada metrik akurasi (0.94), recall (0.83), precision (0.817), F-measure (0.822), dan AUROC (0.97). Dari hasil prediksi, ditemukan interaksi positif sebanyak 1766 pada data uji hasil transformasi dan 929 pada data uji senyawa herbal.