Farmakoinformatika adalah studi, penemuan, dan penerapan disiplin ilmu di mana teknologi dengan setiap aspek pengiriman obat, dari ilmu dasar (misalnya pengembangan obat atau farmakogenomik / farmakogenetik) hingga penggunaan klinis obat pada individu dan populasi. Bagian dari farmakoinformatika, biasanya mengacu pada antarmuka teknologi dengan praktik kefarmasian. Termasuk teknologi farmasi yang terlibat dalam persiapan, pengiriman, dan manajemen penggunaan obat dalam sistem pemberian layanan kesehatan.
Istilah bioinformatika pertama kali digunakan pada tahun 1990-an dan pada awalnya identik dengan manajemen dan analisis data sekuens DNA, RNA dan protein. Alat komputasi untuk analisis sekuens telah tersedia sejak tahun 1960-an, tetapi hal ini masih merupakan minat minoritas sampai kemajuan dalam teknologi pengurutan menyebabkan ekspansi yang cepat dalam jumlah sekuens yang tersimpan dalam database seperti Genbank. Sekarang, istilah ini telah diperluas untuk memasukkan banyak jenisdata biologis, misalnya struktur protein, profil ekspresi gen, interaksi protein, microarrays (chip DNA), analisis fungsional biomolekul dan perancangan obat. Masing-masing bidang ini membutuhkan seperangkat basis data, algoritme, dan metode statistiknya sendiri.
Bioinformatika adalah kombinasi dari biologi dan teknologi informasi. Disiplin ilmu ini mencakup semua alat dan metode komputasi yang digunakan untuk mengelola, menganalisis, dan mencakup semua alat dan metode komputasi yang digunakan untuk mengelola, menganalisis, dan memanipulasi kumpulan data biologis yang besar.
Pada dasarnya, bioinformatika memiliki tiga komponen:
1. Pembuatan basis data yang memungkinkan penyimpanan dan pengelolaan data biologis yang besar
2. Pengembangan algoritma dan statistik untuk menentukan hubungan di antara anggota dari kumpulan data yang besar.
3. Penggunaan alat-alat ini untuk analisis dan interpretasi berbagai jenis data biologis data, termasuk urutan DNA, RNA dan protein, struktur protein, ekspresi gen ekspresi gen, profil, dan jalur biokimia (Nyola et al. 2012).
https://images.app.goo.gl/SJwpM6wb3k9ydkcW9
Kecerdasan buatan (AI) merupakan salah satu yang memiliki potensi untuk merevolusi proses penemuan obat, menawarkan peningkatan efisiensi, akurasi, dan kecepatan. Penemuan obat, meruapakan proses mengidentifikasi dan mengembangkan obat baru adalah upaya yang kompleks dan memakan waktu yang secara tradisional bergantung pada teknik padat karya, seperti eksperimen coba-coba dan skrining dengan hasil tinggi. Namun, Teknik AI seperti pembelajaran mesin (ML) dan pemrosesan bahasa alami menawarkan potensi untuk mempercepat dan meningkatkan proses ini dengan memungkinkan analisis data yang lebih efisien dan akurat analisis data dalam jumlah besar. Keberhasilan penggunaan deep learning (DL) untuk memprediksi kemanjuran senyawa obat dengan akurasi tinggi telah dijelaskan. Metode berbasis AI juga telah mampu memprediksi toksisitas obat. Upaya-upaya ini dan upaya penelitian lainnya telah menyoroti kapasitas AI untuk meningkatkan efisiensi dan efektivitas proses penemuan obat. Namun, penggunaannya AI dalam mengembangkan senyawa bioaktif baru bukan tanpa tantangan dan keterbatasan. Pertimbangan etis harus dipertimbangkan, dan penelitian lebih lanjut diperlukan untuk sepenuhnya memahami sepenuhnya keuntungan dan keterbatasan AI di bidang ini. Terlepas dari tantangan-tantangan ini, AI diharapkan dapat berkontribusi secara signifikan terhadap pengembangan obat baru dan terapi baru dalam beberapa tahun ke depan.
Saat ini, metode kimia obat sangat bergantung pada pendekatan teknik pengujian skala besar. Teknik-teknik ini melibatkan pemeriksaan sejumlah besar senyawa obat potensial, untuk mengidentifikasi senyawa yang memiliki sifat yang diinginkan. Namun, metode ini bisa lambat, mahal, dan sering kali memberikan hasil dengan akurasi yang rendah. Selain itu, mereka dapat dibatasi oleh ketersediaan senyawa uji yang sesuai dan kesulitan memprediksi secara akurat perilaku mereka di dalam tubuh. Algoritma yang berbeda berdasarkan AI, termasuk pembelajaran yang diawasi dan tidak diawasi metode, penguatan, dan algoritma evolusioner atau berbasis aturan, berpotensi berkontribusi untuk memecahkan masalah ini. Metode-metode ini biasanya didasarkan pada analisis data dalam jumlah besar yang dapat dieksploitasi dengan berbagai cara. Sebagai contoh, kemanjuran dan toksisitas senyawa obat baru dapat diprediksi menggunakan pendekatan ini, dengan dengan akurasi dan efisiensi yang lebih besar daripada saat menggunakan metode tradisional. Selanjutnya, Algoritme berbasis AI juga dapat digunakan untuk mengidentifikasi target baru untuk pengembangan obat, seperti protein spesifik atau jalur genetik yang terlibat dalam penyakit. Hal ini dapat memperluas cakupan penemuan obat di luar batasan pendekatan yang lebih konvensional dan dan pada akhirnya dapat mengarah pada pengembangan obat baru yang lebih efektif. Dengan demikian, sementara metode tradisional penelitian farmasi telah relatif berhasil di masa lalu.
Terlepas dari potensi manfaat AI dalam penemuan obat, ada beberapa tantangan dandan keterbatasan yang harus dipertimbangkan. Salah satu tantangan utama adalah ketersediaan data yang sesuai data yang sesuai. Pendekatan berbasis AI biasanya membutuhkan sejumlah besar informasi untuk untuk tujuan pelatihan. Dalam banyak kasus, jumlah data yang dapat diakses mungkin terbatas, ataudata mungkin berkualitas rendah atau tidak konsisten, yang dapat mempengaruhi akurasi dan keandalan keakuratan dan keandalan hasil. Tantangan lain muncul dari pertimbangan etika. Pendekatan berbasis AI dapat menimbulkan kekhawatiran tentang keadilan. Sebagai contoh, jika data yang digunakan untuk melatih algoritma ML bias atau tidak representatif, maka prediksi yang dihasilkan mungkin tidak akurat atau tidak adil. Memastikan penggunaan AI yang etis dan adil. AI untuk pengembangan senyawa terapeutik baru merupakan pertimbangan penting yang harus ditangani. Beberapa strategi dan pendekatan dapat digunakan untuk mengatasi kendala yang dihadapi oleh AI dalam konteks pengobatan kimia. Salah satu pendekatannya adalah penggunaan data augmentasi, yang melibatkan pembuatan data sintetis untuk melenkapi data yang sudah ada (Blanco-González et al. 2023).
REFERENSI
- Blanco-González, Alexandre, Alfonso Cabezón, Alejandro Seco-González, Daniel Conde-Torres, Paula Antelo-Riveiro, Ángel Piñeiro, and Rebeca Garcia-Fandino. 2023. “The Role of AI in Drug Discovery: Challenges, Opportunities, and Strategies.” Pharmaceuticals 16 (6): 1–11. https://doi.org/10.3390/ph16060891.
- Nyola, Narendra, G Jeyablan, M Kumawat, Rajesh Sharma, Gurpreet Singh, and N Kalra. 2012. “Pharmacoinformatics: A Tool for Drug Discovery.” American Journal of PharmTech Research 2 (23). http://www.ajptr.com/%5Cnwww.ajptr.com.
- Sumber gambar : https://images.app.goo.gl/csfdaJNznVycP3fo7
Penulis : Neshya D.A – 22416248201025 – FM22A -UBP KARAWANG
