Identifikasi Potensi Senyawa Bioaktif Teripang Keling Sebagai Bahan Anti Kanker Menggunakan Machine Learning

Abstract

Sebagai biota laut yang melimpah di Indonesia, teripang keling (Holothuria atra) masih kurang dimanfaatkan. Penelitian sebelumnya mengungkapkan bahwa jenis teripang ini berpotensi sebagai bahan anti kanker. Kendati demikian, penelitian yang spesifik mengidentifikasi senyawa bioaktif teripang keling yang berinteraksi dengan protein kanker belum dilakukan. Kanker menempati urutan ke tiga sebagai penyebab kematian terbanyak di Indonesia. Oleh karena itu, penelitian ini bertujuan mengidentifikasi senyawa bioaktif teripang keling yang berpotensi sebagai anti-kanker melalui pendeketan komputasional yang terdiri dari prediksi interaksi senyawa-protein menggunakan machine learning, validasi menggunakan molecular docking, dan analisis senyawa teridentifikasi menggunakan analisis Absorption, Distribution, Metabolism, Excretion, and Toxicology (ADMET). Penelitian dimulai dengan mengakuisisi data-data yang diperlukan untuk memodelkan machine learning. Data protein kanker diakuisisi dari tiga sumber yakni The Human Protein Atlas, The Cancer Genome Atlas, dan Ijah Analytics. Kemudian, data senyawa-senyawa yang diketahui berinteraksi dengan protein kanker yang didapatkan sebelumnya diakusisi dari BindingDB. Terakhir, data senyawa bioaktif teripang keling didapatkan dari penelitian sebelumnya. Setelah data semua data yang diperlukan diakusisi, data-data tersebut disiapkan melalui tahapan praproses dimana terjadi penanganan missing value, penanganan nilai redundan, dan penarikan sampel data. Kemudian, dilakukan rekayasa fitur (feature engineering) yakni mengekstrak data mentah senyawa dan protein menjadi fitur senyawa dan fitur protein serta kombinasi fitur senyawa-protein. Tahapan selanjutnya yakni melatih model dari tujuh algoritma machine learning yakni Cascade Deep Forest (CDF), Random Forest, XGBoost, LightGBM, K-Nearest Neighbours, Multilayer Perceptron Neural Networks, dan Logistic Regression menggunakan senyawa-senyawa yang diperoleh dari BindingDB dan protein target yang diperoleh dari tiga sumber yang disebutkan sebelumnya. Model yang sudah dilatih kemudian diuji performanya menggunakan metrik performa machine learning seperti akurasi, F1-Score, dan skor AUC. Perbandingan model dilakukan menggunakan skor AUC. Hasil pengujian menunjukkan algoritma CDF menggunakan kombinasi fitur ECFP-AAIndex1 mendapatkan hasil terbaik (AUC = 93,7%). Algoritma dan kombinasi fitur terbaik tersebut kemudian digunakan untuk memprediksi interaksi senyawa bioaktif teripang keling dengan protein kanker. Didapatkan tujuh pasangan senyawa-protein yang diprediksi berinteraksi. Hasil prediksi interaksi tersebut kemudian divalidasi menggunakan molecular docking yang menunjukkan empat senyawa bioaktif teripang keling yakni Afimoxifene, Danazol, Taxifolin, dan Terfenadine berikatan secara baik dengan protein kanker. Sementara itu, hasil analisis ADMET mengungkap bahwa Taxifolin sebagai kandidat senyawa yang paling berpotensi karena lolos paling banyak parameter ADMET. Penelitian ini bermanfaat sebagai landasan penelitian di masa depan terhadap alternatif pengobatan kanker menggunakan sumber daya alam yang melimpah seperti teripang keling.