Perpustakaan Digital ITB

Virtual screening kian lazim digunakan dalam proses penemuan obat, tetapi metode penambatan konvensional membutuhkan kebutuhan komputasi yang besar, sehingga menghambat penapisan skala besar. Metode pembelajaran mendalam dianggap menjanjikan sebagai alternatif, tetapi keterbatasan data latih yang menghambat gene- ralisasi model. Oleh sebab itu, penggunaan physics-informed neural network mulai dikaji karena berpotensi mengarahkan pembelajaran model dengan bias induktif maupun bias pembelajaran. Tugas akhir ini mengusulkan model physics-informed neural network dengan graph neural network yang diadaptasi dari PIGNet2 untuk memprediksi afinitas protein-ligan dari representasi graf 3D protein dan ligan. Efek solvasi polar diintegrasikan menggunakan persamaan Generalised Born dengan data latih PDBbind v2020. Dari dua skema yang digunakan, yakni injeksi fitur muatan parsial dari xTB dan pelatihan end-to-end, pendekatan pertama gagal mencapai konvergensi. Sementara itu, pada pendekatan kedua, model menunjukkan hasil R = 0,261 (scoring), ? = 0,248 (ranking), EF1% = 1,29 (screening), dan SR1 = 43,1% (docking) pada CASF-2016. Model juga diuji ke benchmark DUD-E dengan hasil EF0,5% = 1,29, EF1,0% = 1,25, dan EF5,0% = 1,22. Terakhir, model diuji pula ke benchmark derivatif dengan nilai rata-rata R sebesar 0,04. Hasil tersebut lebih rendah dibanding model baseline, sehingga menunjukkan pentingnya masukan fitur yang valid untuk model berbasis physics-informed neural network karena sangat berpengaruh pada hasil. Selain itu, pendekatan end-to-end juga perlu dibatasi dengan bias fisis yang relevan agar model dapat mempelajari pola yang ada dengan benar, khususnya pada domain dengan data latih yang terbatas.