| dc.description.abstract | Pengembangan industri farmasi memiliki tantangan besar di mana permintaan terhadap obat-obatan baru yang inovatif melonjak seiring munculnya berbagai penyakit mematikan seperti kanker, diabetes, dan lainnya. Adapun untuk menemukan obat baru setidaknya dibutuhkan waktu 12-15 tahun dan biaya sebesar satu juta USD. Untuk menangani hal tersebut para peneliti mulai mencari alternatif penemuan obat baru dengan biaya yang lebih murah, salah satunya adalah drug repurposing atau repositioning. Drug repositioning adalah penggunaan senyawa obat yang sudah lolos uji sebelumnya untuk mengatasi penyakit baru selain penyakit awal obat tersebut ditujukan. Penelitian mengenai drug repositioning dapat dilakukan dengan mengamati interaksi senyawa obat dengan protein penyakit yang bereaksi positif.
Prediksi interaksi senyawa dan protein dapat dilakukan dengan memanfaatkan informasi fitur senyawa obat dan protein penyakit seperti struktur kimia senyawa, informasi genetik, sekuens genom, efek samping, dan lainnya sebagai input pada model klasifikasi. Permasalahan utama dalam prediksi interaksi senyawa dan protein adalah jumlah pasangan senyawa dan protein yang diketahui memiliki interaksi sangat sedikit dan belum ada informasi yang valid mengenai pasangan senyawa dan protein yang tidak memiliki interaksi. Data interaksi yang tidak seimbang ini menyebabkan klasifikasi sulit dilakukan karena memiliki performa yang bias. Deep semi-supervised learning dapat menjadi alternatif untuk menangani model prediksi dengan data yang tidak seimbang. Proses pre-training berbasis unsupervised learning pada deep semi-supervised learning dapat merepresentasikan input dari unlabeled data (data mayoritas) dengan baik dan mengoptimasi inisialisasi bobot pada model klasifikasi. Pre-training dapat berperan sebagai optimizer dan regulizer untuk meningkatkan performa model klasifikasi meskipun data bersifat tidak seimbang.
Penelitian ini membangun model deep semi-supervised learning untuk prediksi interaksi senyawa dan protein. Terdapat dua metode yang diujikan, yaitu model klasifikasi Deep Neural Network (DNN) dengan pre-training Deep Belief Network (DBN) dan model DNN dengan pre-training Stacked Auto Encoder (SAE). Penelitian ini membandingkan kedua metode tersebut untuk mendapatkan model pre-training yang terbaik untuk mengatasi masalah prediksi interaksi senyawa dan protein. Data yang digunakan pada penelitian ini adalah dataset ion channel, GPCR, dan nuclear receptor yang bersumber dari KEGG BRITE, BRENDA, SuperTarget, dan DrugBank database. Hasil penelitian ini menunjukkan pada dataset tersebut, pre-training menggunakan DBN untuk ekstraksi fitur memberikan efek optimasi yang lebih baik dari SAE dilihat dari peningkatan performa model DNN pada akurasi (3-4.5%), AUC (4.5%), precision (5.9-6%), dan F-measure (3.8%). | id |
