Pemodelan interaksi antara protein dan ligan merupakan elemen krusial dalam proses penemuan obat, karena membantu memahami cara kandidat obat berikatan dengan protein target. Proses ini memanfaatkan berbagai teknik komputasi untuk memprediksi afinitas pengikatan dan dinamika interaksi, yang sangat penting dalam desain dan optimalisasi terapi baru.
Sumber: https://pubs.rsc.org/en/Image/Get?imageInfo.ImageType=GA&imageInfo.ImageI dentifier.ManuscriptID=D3DD00149K&imageInfo.ImageIdentifier.Year=2024
Kemajuan Terbaru dalam Pemodelan Interaksi Protein-Ligan
- Pembelajaran Mesin: Kemajuan terbaru telah melihat penerapan teknik pembelajaran mesin, khususnya jaringan saraf grafik (GNN), yang meningkatkan kemampuan prediksi interaksi antara protein dan ligan. Model-model ini dapat menangkap hubungan kompleks antara struktur molekul dengan lebih efektif, sehingga menghasilkan prediksi yang lebih akurat.
- Model AK-Score2: Salah satu perkembangan signifikan dalam bidang ini adalah model AK-Score2, yang mengintegrasikan tiga jenis jaringan saraf.
- AK-Score-NonDock: Model ini memprediksi kemungkinan interaksi antara situs pengikatan protein dan ligan tanpa mempertimbangkan posisi pengikatan.
- AK-Score-DockS: Model ini memprediksi energi bebas pengikatan dan deviasi akar rata-rata kuadrat (RMSD) dari struktur asli.
- AK-Score-DockC: Model ini memberikan nilai energi tunggal yang disesuaikan dengan prediksi RMSD, memberikan penilaian menyeluruh mengenai afinitas pengikatan.
Sumber: https://images.app.goo.gl/SH1KW6yznQKuwy156
Metrik Kinerja: Model AK-Score2 telah menunjukkan hasil yang sangat baik dalam mengidentifikasi hit, dengan faktor pengayaan tertinggi masing-masing sebesar 32,7 dan 23,1 pada set benchmark CASF2016 dan DUD-E. Dalam penerapan praktis, model ini berhasil mengidentifikasi 23 senyawa aktif dari 63 kandidat penghambat autotaxin.
Signifikansi Prediksi
- Afinitas Pengikatan dan Tantangan Penemuan Obat: Memprediksi afinitas pengikatan sangat penting dalam penemuan obat karena membantu dalam memilih kandidat yang menjanjikan dari perpustakaan virtual. Metode eksperimental tradisional untuk menentukan afinitas pengikatan sering kali memakan waktu dan sumber daya yang besar.
- Metode Dinamika Molekuler (MD): Meskipun metode berbasis MD diakui karena akurasinya, metode ini membutuhkan sumber daya komputasi yang besar, sehingga kurang cocok untuk penyaringan virtual dalam skala besar.
- Kemajuan dalam Pembelajaran Mesin: Penelitian terbaru menunjukkan bahwa model pembelajaran mesin, terutama yang menggunakan GNN,
dapat secara efektif memodelkan interaksi kompleks antara protein dan ligan, sehingga menghasilkan prediksi afinitas pengikatan yang lebih baik.
Referensi:
Network Pharmacology dan Molecular Docking (2024)
Efektivitas Studi Molecular Docking Terhadap Penemuan Obat (2024)
