PERAN KECERDASAN BUATAN DALAM PREDIKSI STRUKTUR PROTEIN DAN DESAIN OBAT IN SILICO

Abstract

Penentuan struktur protein dan desain obat rasional adalah proses yang memakan waktu dan biaya dalam pengembangan farmasi. Metode eksperimental seringkali kompleks dan tidak selalu berhasil, sementara pendekatan komputasi tradisional memiliki keterbatasan akurasi. Penelitian ini mengeksplorasi potensi kecerdasan buatan, khususnya pembelajaran mendalam, dalam memprediksi struktur protein dari sekuens asam amino dan mempercepat proses desain obat in silico. Kami mengumpulkan dan memproses dataset besar struktur protein dan interaksi ligan-protein, yang kemudian digunakan untuk melatih model jaringan saraf konvolusional dan transformator. Metode yang diterapkan meliputi arsitektur AlphaFold untuk prediksi lipatan protein dan algoritma pembelajaran penguatan untuk optimasi molekul obat. Hasil menunjukkan bahwa model kecerdasan buatan mampu memprediksi struktur protein dengan akurasi yang mendekati resolusi eksperimental dan mengidentifikasi kandidat obat potensial dengan afinitas pengikatan yang tinggi. Pembahasan lebih lanjut menyoroti bagaimana algoritma ini dapat mengidentifikasi pola kompleks dalam data biomolekuler yang sulit dideteksi oleh manusia atau metode komputasi klasik. Keberhasilan ini secara signifikan mengurangi waktu dan sumber daya yang dibutuhkan untuk penemuan obat, memungkinkan eksplorasi ruang kimia yang lebih luas. Implikasi dari penelitian ini adalah revolusi dalam bidang biologi struktural dan kimia medisinal, mempercepat pengembangan terapi baru untuk berbagai penyakit.