Senyawa obat dengan kelarutan rendah sering mengalami masalah dalam penyerapannya di tubuh, yang pada akhirnya mempengaruhi efektivitas farmakologisnya. Oleh karena itu, memahami dan memprediksi kelarutan obat secara akurat menjadi langkah penting dalam mempercepat proses pengembangan obat baru sekaligus mengurangi biaya dan waktu yang dibutuhkan.
Saat ini, pendekatan berbasis komputasi menjadi solusi inovatif untuk menghadapi tantangan ini. Dengan memanfaatkan kecerdasan buatan (AI) dan pembelajaran mesin (machine learning), para peneliti dapat mengembangkan model prediktif untuk memprediksi kelarutan obat berdasarkan sifat fisika-kimia senyawa farmasi. Artikel ini akan menjelaskan tahapan pengembangan algoritma prediktif untuk kelarutan obat serta manfaatnya bagi industri farmasi.
Pentingnya Memahami Kelarutan Obat
Kelarutan obat merupakan indikator utama sejauh mana suatu senyawa farmasi dapat larut dalam pelarut, seperti air, yang menjadi medium utama dalam tubuh manusia. Senyawa dengan kelarutan rendah biasanya menghadapi sejumlah tantangan, seperti:
- Bioavailabilitas rendah: Penyerapan obat dalam tubuh menjadi terbatas.
- Efek farmakologis yang tidak optimal: Obat mungkin tidak mencapai konsentrasi efektif dalam tubuh.
- Kesulitan dalam formulasi: Produk farmasi seperti tablet atau kapsul menjadi sulit dikembangkan.
(sumber: Gramedia.com)
Tahapan Pengembangan Algoritma Prediktif:
- Pengumpulan dan Persiapan Data, Tahap pertama adalah mengumpulkan data kelarutan dari berbagai sumber terpercaya, seperti PubChem, DrugBank, atau ChEMBL. Data ini mencakup informasi tentang struktur kimia, sifat fisiko-kimia, dan nilai kelarutan dari senyawa-senyawa obat. Setelah data terkumpul, proses pembersihan (preprocessing) dilakukan untuk memastikan bahwa data bebas dari kesalahan atau informasi yang tidak relevan.
- Ekstraksi Fitur Molekul, Untuk memprediksi kelarutan obat, senyawa kimia direpresentasikan dalam bentuk deskriptor molekul, yaitu parameter numerik yang mencerminkan sifat-sifat molekul tersebut. Beberapa contoh deskriptor meliputi:
- Berat Molekul: Ukuran molekul dapat mempengaruhi kelarutannya.
- Log P: Koefisien partisi antara air dan minyak, yang menggambarkan lipofilisitas senyawa.
- Jumlah Donor dan Akseptor Ikatan Hidrogen: Sifat ini menentukan interaksi molekul dengan air.
- Topological Polar Surface Area (TPSA): Area permukaan polar yang relevan dengan kelarutan.
- Pemilihan Model Prediksi, Terdapat berbagai algoritma yang dapat digunakan untuk memprediksi kelarutan obat, tergantung pada format data dan kebutuhan prediksi:
- Regresi Linier dan Non-Linier: Digunakan untuk memprediksi nilai kontinu, seperti jumlah kelarutan dalam mg/mL.
- Decision Trees dan Random Forests: Cocok untuk menangani data yang kompleks dengan banyak fitur.
- Neural Networks: Digunakan untuk memprediksi hubungan non-linear yang lebih kompleks.
- Validasi dan Evaluasi Model, Model yang dikembangkan perlu diuji menggunakan data yang tidak digunakan dalam pelatihan. Hal ini dilakukan untuk memastikan bahwa model dapat memprediksi kelarutan dengan akurat pada data baru. Metrik evaluasi seperti Root Mean Squared Error (RMSE) dan Mean Absolute Error (MAE) sering digunakan untuk mengukur performa model regresi, sementara akurasi dan F1-score digunakan untuk model klasifikasi.
Keuntungan Menggunakan Algoritma untuk Prediksi Kelarutan
- Efisiensi Waktu: Mempercepat proses skrining senyawa obat.
- Hemat Biaya: Mengurangi ketergantungan pada eksperimen laboratorium yang mahal.
- Desain Molekul yang Lebih Baik: Memungkinkan modifikasi senyawa untuk meningkatkan kelarutan.
DAFTAR PUSTAKA
- Akrom, M., Rosyidi, M. R., & Mawaddah, L. (2024). Investigasi Model Machine Learning Regresi Pada Senyawa Obat Sebagai Inhibitor Korosi. Jurnal Algoritma, 21(1), 332-342.
- Liu, X., et al. (2023). “Advanced Machine Learning Approaches in Drug Solubility Prediction”. Journal of Computational Chemistry, 45(3), 212-225.
- Pratiwi, S. A., Fauzi, A., Lestari, S. A. P., & Cahyana, Y. (2024). Prediksi Persediaan Obat Pada Apotek Menggunakan Algoritma Decision Tree. KLIK: Kajian Ilmiah Informatika dan Komputer, 4(4), 2381-2388.
- Zhang, W., & Chen, Y. (2022). “Computational Models for Molecular Solubility Estimation”. Pharmaceutical Research, 39(2), 87-102.
Penulis
Dini Hakiki – 22416248201128 – FM22D- Fakultas Farmasi, Universitas Buana Perjuangan Karawang
