Klasifikasi Multilabel untuk Pencarian Senyawa Herbal Potensial pada Protein Coronavirus Disease 2019

Abstract

Coronavirus disease 2019 merupakan penyakit menular yang menyebabkan demam, batuk, masalah pernapasan, pneumonia dan bahkan kematian pada penderitanya dan telah ditetapkan sebagai pandemi pada tahun 2020. Salah satu fokus pengembangan obat yang dilakukan untuk melawan penyakit ini adalah dengan melakukan drug repurposing. Drug repurposing merupakan proses untuk mengidentifikasi kegunaan baru dari obat yang sudah ada. Penelitian dalam drug repurposing dapat dilakukan salah satunya dengan mengamati interaksi senyawa obat dengan protein penyakit (Drug-Target Interaction atau DTI) yang memiliki interaksi positif, lalu membangun suatu model supervised learning untuk memprediksi DTI baru yang tidak diketahui interaksinya sebelumnya. Eksplorasi senyawa herbal dapat menjadi pilihan baik dalam pencarian kandidat obat potensial dikarenakan melimpahnya jumlah spesies tanaman herbal di Indonesia. Pendekatan dalam prediksi DTI pada proses drug repurposing dapat menggunakan pendekatan chemogenomics berbasis fitur yang memanfaatkan fingerprint senyawa sebagai fitur untuk representasi senyawa. Pemilihan tipe fingerprint yang tepat untuk merepresentasikan fitur senyawa merupakan hal penting dalam proses pencarian obat potensial. Terdapat suatu paradigma dalam DTI di mana suatu senyawa dapat berinteraksi dengan lebih dari satu protein target dan sebaliknya. Oleh karena itu prediksi DTI dapat diformulasikan ke dalam suatu permasalahan klasifikasi multilabel. Penelitian ini melakukan prediksi DTI multilabel menggunakan algoritme stack autoencoder-deep neural network (SAE-DNN). Pencarian fingerprint terbaik untuk representasi senyawa pada kasus COVID-19 dilakukan dengan