Bagaimana pembelajaran mesin dapat membantu menemukan obat untuk hepatitis C
Penemuan obat membutuhkan biaya yang besar dan memakan waktu. Pembelajaran mesin dapat secara drastis mengurangi waktu dan biaya, serta memfasilitasi kolaborasi dan inovasi.
Menemukan satu molekul baru untuk pengembangan obat bisa memakan waktu bertahun-tahun. Pembelajaran mesin dapat membantu memproses miliaran molekul dalam sehari, serta mendukung penemuan obat untuk penyakit virus yang saat ini belum memiliki pengobatan yang efektif. Foto oleh ilgmyzin di Unsplash
| Oleh: |
| Editor: |
| Akash Saraswat - BML Munjal University, Haryana |
| Namita Kohli - Commissioning Editor, 360info |
| Bipin Singh - Mahindra University, Hyderabad |
| Piya Srinivasan - Contributing Editor, 360info - - |
| Arijit Maitra - BML Munjal University, Haryana - - |
|
Penemuan obat membutuhkan biaya yang besar dan memakan waktu. Pembelajaran mesin dapat secara drastis mengurangi waktu dan biaya, serta memfasilitasi kolaborasi dan inovasi.
Setiap tahun, virus hepatitis C menginfeksi lebih dari 200 juta orang di seluruh dunia. Infeksi ini merupakan penyebab utama penyakit hati kronis, termasuk hepatitis kronis, sirosis hati, dan kanker hati.
Tidak seperti hepatitis A dan hepatitis B, belum ada vaksin yang disetujui untuk melawan hepatitis C.
Meskipun obat antivirus untuk hepatitis C telah merevolusi pengobatan dengan tingkat keberhasilan yang tinggi, ada kelas obat lain yang mungkin sangat efektif, terutama dalam kasus resistensi obat atau bahkan pencegahan penyakit.
Obat-obatan ini didasarkan pada molekul peptida yang merupakan rantai pendek asam amino dan memiliki spesifisitas yang lebih tinggi untuk menargetkan komponen virus, kelarutan yang lebih baik, dan toksisitas yang lebih rendah. Mereka juga dapat bekerja melawan setiap genotipe virus dan lebih mudah disintesis dibandingkan obat molekul kecil konvensional.
Namun, masalahnya terletak pada pencarian peptida yang akan bekerja melawan virus tertentu. Hal ini karena ada banyak peptida tetapi sangat sedikit yang akan bekerja melawan virus tertentu — proses yang mirip dengan mencari jarum di tumpukan jerami.
Penelitian terbaru menunjukkan bahwa penggunaan pembelajaran mesin merupakan pendekatan yang efisien untuk mencari molekul-molekul ini.
Meskipun pembelajaran mesin telah digunakan untuk memprediksi peptida antimikroba dan antivirus secara umum, hanya sedikit penelitian yang berfokus pada peptida yang menargetkan virus tertentu seperti hepatitis C.
Pencarian peptida
Protein dan peptida telah menarik perhatian para ilmuwan dan peneliti di seluruh dunia karena potensinya dalam bidang diagnostik, terapi, dan sistem pengiriman obat.
Insulin, misalnya, adalah peptida dengan 51 asam amino, dan penemuan serta pengembangannya dianggap sebagai salah satu kemajuan paling signifikan dalam penemuan obat. Baru-baru ini, obat penurun berat badan Semaglutide, sebuah peptida dengan 31 asam amino, dipuji sebagai penentu perubahan bagi pasien dengan diabetes tipe 2, obesitas, dan penyakit jantung.
Protein dan peptida secara kimiawi sama. Rantai peptida terdiri dari residu asam amino, molekul kimia yang sama yang membentuk protein dan memungkinkan sel untuk menjalankan berbagai fungsi.
Mengingat ada 22 asam amino yang ditemukan di alam, rantai peptida pendek yang berbeda dapat dibuat dengan berbagai cara. Misalnya, mensintesis rantai peptida yang terdiri dari 10 residu asam amino dapat menghasilkan sejumlah besar — 22¹⁰— rantai yang berbeda.
Namun, sangat sedikit dari peptida ini yang memiliki efek terapeutik, dan bahkan lebih sedikit lagi yang dapat melawan virus tertentu.
Selain itu, jumlah peptida bioaktif yang disetujui FDA — yaitu peptida yang memiliki sifat terapeutik — cukup terbatas. Oleh karena itu, mengidentifikasi peptida yang menunjukkan sifat antimikroba dan antivirus di antara kemungkinan yang sangat banyak merupakan tugas yang sangat berat.
Di sini, pembelajaran mesin telah membantu para peneliti.
Metode tradisional untuk mengidentifikasi peptida anti-hepatitis C yang efektif — atau molekul obat apa pun dalam hal ini — memakan waktu dan sumber daya yang besar.
Beberapa perkiraan menunjukkan bahwa metode tradisional mungkin memerlukan sintesis hingga 5.000 molekul selama lebih dari empat hingga enam tahun untuk menemukan satu kandidat yang menjanjikan untuk pengembangan obat.
Namun, model pembelajaran mesin dapat secara drastis mengurangi waktu penyaringan. Model ini dapat menyaring miliaran molekul, sehingga memungkinkan para peneliti memproses satu miliar molekul setiap hari. Hal ini membuat proses penemuan obat, terutama pada tahap awal pengembangan obat, menjadi lebih cepat dan hemat biaya.
Salah satu model yang baru-baru ini dikembangkan oleh para peneliti adalah alat prediktif berbasis web bernama Pred-AHCP (predict anti-hepatitis C peptides) untuk mengevaluasi apakah molekul peptida dapat secara efektif menghambat virus hepatitis C.
Model ini melakukannya dengan menganalisis komposisi asam amino dan sifat fisikokimianya.
Metode ini menggunakan proses penyaringan komputasi dua langkah yang mengandalkan algoritma statistik. Pendekatan ini sangat berguna karena tidak hanya memprediksi apakah suatu peptida kemungkinan besar bersifat anti-hepatitis C, tetapi juga menjelaskan alasan efektivitasnya dengan menyoroti karakteristik molekul yang paling signifikan.
Oleh karena itu, alih-alih hanya memprediksi kandidat, para peneliti dapat memahami mekanisme mendasar yang mungkin membuatnya berfungsi.
Alat prediksi khusus virus
Selain untuk mengobati hepatitis C, pendekatan ini dapat diadaptasi untuk mengembangkan alat prediksi serupa guna mencari peptida yang dapat melawan virus lain, sehingga menciptakan serangkaian alat prediksi khusus virus.
Hal ini akan sangat berharga terutama untuk virus yang saat ini belum memiliki pengobatan yang efektif seperti HIV, Herpes Simplex Virus, dan Zika.
Temuan dari pengembangan Pred-AHCP dapat memfasilitasi penemuan kandidat peptida utama yang lebih efisien daripada metode prediksi peptida antivirus umum.
Hal ini sebagian besar disebabkan oleh sifat model pembelajaran mesin yang dapat dijelaskan, yang memberikan wawasan kepada ahli biokimia sintetik, ahli kimia organik, dan insinyur biologi mengenai fitur molekuler mana yang mungkin membuat peptida tertentu efektif melawan hepatitis C.
Pemahaman semacam itu dapat memandu desain rasional terapi baru dengan menekankan karakteristik esensial seperti distribusi hidrofobisitas — suatu sifat fisiko-kimia yang krusial, sering digunakan dalam desain obat, toksikologi, dan pemantauan lingkungan — keberadaan pasangan asam amino tertentu, serta elemen struktural lainnya.
Misalnya, seseorang dapat melakukan eksperimen dengan modifikasi yang dipandu oleh model ini untuk memaksimalkan efek fitur-fitur penting, yang berpotensi menciptakan peptida dengan efektivitas lebih tinggi, respons virologi yang berkelanjutan, dan bahkan sifat farmakologis yang lebih baik seperti stabilitas, permeabilitas (seberapa mudah peptida tersebut berdifusi melintasi membran biologis), dan bioavailabilitas (persentase obat yang benar-benar mencapai, atau diserap oleh aliran darah dan tetap aktif).
Selain itu, model ini tersedia sebagai server web, sehingga memungkinkan akses yang lebih luas bagi para peneliti yang tidak memiliki keahlian komputasi khusus.
Demokratisasi alat komputasi canggih melalui berbagi pendekatan terapeutik ini berpotensi meningkatkan kolaborasi dan inovasi dalam penelitian antivirus secara global untuk berbagai penyakit menular.
Awalnya diterbitkan di bawah lisensi Creative Commons oleh 360info™.
Akash Saraswat adalah peneliti senior di BML Munjal University, Gurugram, Haryana
Bipin Singh adalah Asisten Profesor, Pusat Ilmu Hayati, Mahindra University, Hyderabad, Telangana
Arijit Maitra adalah Dosen Tetap di Sekolah Teknik dan Teknologi, Universitas BML Munjal, Gurugram, Haryana
`
Artikel ini diterjemahkan menggunakan alat kecerdasan buatan otomatis yang berpotensi memiliki kesalahan, kesilapan dan ketidakakuratan. Berbagai upaya sudah dilakukan untuk memastikan kejelasan dan koherensi, terjemahan ini bisa saja tidak lengkap dalam menangkap nuansa, intonasi dan tujuan dari teks aslinya. Untuk versi yang tepat, silakan merujuk pada artikel aslinya.
`
Artikel ini pertama kali dipublikasikan tanggal 04 Aug 2025 di bawah lisensi Creative Commons oleh 360info™