Teori Pertubasi/Model Pembelajaran Mesin Data chEMBL untuk Target Dopamin: Docking, Sintesis, dan Uji Peptidomimetik I -Prolyl- I -leucyl-glycinamid

ditulis oleh Bayu Rizqi

 MODEL PTML

Penerapan model PTML (Perturbation Theory + Machine Learning) adalah penggunaan model ini dalam memprediksi Interaksi Obat-Protein (DPIs) dalam berbagai kondisi eksperimental. Model PTML menggabungkan operator PT (Perturbation Theory) dari deskriptor molekuler dengan algoritma ML (Machine Learning) untuk memprediksi sifat-sifat senyawa dalam berbagai kondisi eksperimental. Dalam konteks penelitian ini, model PTML digunakan untuk memprediksi DPIs dalam jalur Dopamin dengan menganalisis dataset besar dari uji pra-klinis dari database ChEMBL. Model ini dapat digunakan dalam berbagai bidang seperti Kimia Medisinal, Nanoteknologi, dan lainnya untuk mempelajari dataset besar dengan berbagai kondisi eksperimental atau parameter lainnya. Dilakukan pengembangan dan penerapan model PTML (Perturbation Theory + Machine Learning) untuk memprediksi Interaksi Obat-Protein (DPIs) dalam jalur Dopamin. Model ini digunakan untuk menganalisis dataset besar dari uji pra-klinis dari database ChEMBL, yang mencakup berbagai protein target, garis sel, organisme, dan sebagainya. Model PTML menggabungkan operator PT dari deskriptor molekuler dengan algoritma ML untuk memprediksi sifat-sifat senyawa yang ditanyakan dalam berbagai kondisi eksperimental.

 ISI

Dalam penelitian ini, dilakukan pengembangan dan penerapan model PTML (Perturbation Theory + Machine Learning) untuk memprediksi Interaksi Obat-Protein (DPIs) dalam jalur Dopamin. Model PTML ini menggabungkan operator PT dari deskriptor molekuler dengan algoritma ML untuk memprediksi sifat-sifat senyawa dalam berbagai kondisi eksperimental. Penelitian ini menggunakan dataset besar dari uji pra-klinis dari database ChEMBL, yang mencakup berbagai protein target, garis sel, organisme, dan parameter eksperimental lainnya. Model PTML ini memberikan metode komputasi yang dapat digunakan untuk memprediksi hasil senyawa baru dalam berbagai uji, yang dapat membantu dalam penemuan dan pengembangan obat.

Selain itu, penelitian ini juga melibatkan sintesis dan uji biologis dari serangkaian senyawa peptidomimetik PLG (melanocyte-stimulant hormone release-inhibiting factor) baru. Senyawa-senyawa ini diuji untuk aktivitas mereka sebagai modulator alosterik reseptor dopamin. Hasil penelitian menunjukkan bahwa beberapa senyawa dalam seri ini memiliki potensi sebagai target obat dalam jalur dopamin. Selanjutnya, dilakukan simulasi docking molekuler untuk menyelidiki interaksi antara senyawa-senyawa tersebut dan protein target. Hasilnya mengungkapkan bahwa beberapa asam amino dalam kantong pengikatan protein berperan dalam pengikatan senyawa-senyawa tersebut. 

KESIMPULAN

Secara keseluruhan, model PTML menawarkan metodologi komputasi untuk memprediksi hasil senyawa baru dalam berbagai uji. Ini memberikan wawasan tentang potensi efikasi dan interaksi senyawa dalam jalur Dopamin, yang dapat membantu dalam penemuan dan pengembangan obat. Penelitian ini juga menunjukkan bahwa PTML dapat digunakan untuk menganalisis dataset besar dari uji pra-klinis, dengan hasil yang dapat diandalkan dan akurat. Dengan menggunakan model PTML, peneliti dapat menghemat waktu dan sumber daya yang diperlukan untuk melakukan uji biologis dan simulasi docking molekuler dalam skala besar.

Sumber