Perpustakaan Digital ITB

SARS-CoV-2 menjadi wabah global yang telah menewaskan kurang lebih 7 juta jiwa per tahun 2023. Virus ini pertama kali diidentifikasi pada Desember 2019 di Wuhan, Cina. Penyebaran yang cepat menjadikan virus ini berbahaya sehingga para peneliti berlomba dalam mencari obat penangkal virus ini. Dibutuhkan langkah cepat dalam penemuan obat baru oleh sebab itu dilakukan drug repurposing menggunakan metode in silico guna mempercepat penemuan obat baru. Pada penelitian ini digunakan molecular docking dan machine learning dalam menguji binding affinity dari molekul obat dan protein target SARS-CoV-2. Molecular docking dijalankan menggunakan YASARA software. Machine learning memanfaatkan library Deepchem, library khusus dalam drug repurposing dan drug design. Hasil yang diperoleh melalui kedua metode tersebut berupa binding affinity atau energi ikatan yang menandakan apakah suatu molekul dapat terikat dengan baik dengan sisi aktif dari protein target. Enam protein target digunakan dalam penelitian ini (1s9p, 5r7y, 5rl6, 5s6x, 6m71, dan 7rgq). Jumlah obat yang digunakan adalah 82 antivirus drug dan 45 anticancer drugs. Hasil dari molecular docking berupa binding affinity dari setiap interaksi ligand-protein. Hasil molecular docking digunakan dalam pembuatan model random forest untuk melakukan prediksi. Melalui molecular docking, ditemukan bahwa Remdesivir merupakan obat dengan binding affinity terbaik untuk protein target 1s9p, Rimantadine untuk 5rl6 dan 5s6x, dan Oseltamivir untuk 5r7y, 6m71 dan 7egq. Machine learning yang dibuat memanfaatkan model random forest dalam melakukan prediksi. Model mampu melakukan prediksi dengan baik, nilai MAE yang diperoleh adalah 0.484365 dan nilai rerata selisih ranking dengan molecular docking adalah 4.02.