Prediksi Senyawa Herbal Untuk Covid-19 Menggunakan Metode Multi-Label Learning Dengan Algoritme Deep Neural Network

Abstract

Wabah COVID-19 yang disebabkan oleh SARS-CoV-2 telah berlangsung selama satu tahun dan belum terlihat akan usai dalam waktu dekat. Tumbuhan herbal memiliki potensi sebagai pengobatan alternatif pada COVID-19. Dari interaksi yang dapat terjadi antara protein COVID-19 dengan beberapa senyawa, permasalahan ini dapat diformulasikan sebagai multi-label problem. Deep neural network merupakan salah satu algoritme yang dapat mengolah multi-label problem. Penelitian ini menggunakan data interaksi senyawa dengan protein signifikan SARS-CoV-2 yang akan dimasukkan ke dalam model deep neural network. Dari model tersebut, dilakukan prediksi kandidat senyawa herbal yang berinteraksi dengan protein SARS-CoV-2. Terdapat beberapa kandidat senyawa herbal hasil prediksi, ialah caffeine pada kopi, L-Theanine pada teh, coclaurine pada custard apple, carpaine pada papaya, cucurbitine pada labu, dan theobromine pada kokoa atau coklat.

The COVID-19 pandemic caused by SARS-CoV-2 has been going on for a year and it doesn't look like it's over any time soon. Herbal plants have potential as an alternative treatment for COVID-19. From the interactions that can occur between the COVID-19 protein with several compounds, this problem can be formulated as a multi-label problem. Deep neural network is an algorithm that can process multi-label problems. This study uses data on interactions compound with significant SARS-CoV-2 proteins that will be included in the deep neural network model. From the model, prediction of interaction between herbal compound candidate with SARS-CoV-2 protein was made. There is some candidate from the prediction, the result is caffeine in coffee, L-Theanine in tea, coclaurine in custard apple, carpaine in papaya, cucurbitine in pumpkin, and theobromine in cocoa or chocolate.