Researcher

La Ode Aman

Types of research

Riset Akselerasi Lektor Kepala (RALK)

Source of funds

PNBP/BLU

Abstract

Kasus kanker di seluruh dunia terus meningkat dari tahun ke tahun. International Agency for Research on Cancer mencatat 19,3 juta kasus dan 10 juta kematian akibat kanker pada tahun 2020. Perawatan kanker membutuhkan kombinasi pembedahan, terapi radiasi, dan kemoterapi. Agen kemoterapi kanker payudara yang umum digunakan diantaranya anthracyclines seperti doxorubicin dan epirubicin, taxanes seperti paclitaxel docetaxel, cyclophosphamide, 5-fluorouracil, capecitabine, carboplatin, gemcitabine, dan konjugat obat antibodi. Walaupun perkembangan dan kemajuan terapi kanker terus berlangsung dan tersedia banyak agen kemoterapi, namun upaya menemukan obat baru masih diperlukan untuk memenuhi kebutuhan dan peningkatan hasil pengobatan. Pengembangan obat kanker berbasis struktur telah menjadi pilihan terbaik saat ini karena manfaat diantaranya meminimalisir efek samping yang menjadi masalah dalam pengembangan obat kemoterapi. Target obat antikanker kelompok reseptor kinase tirosin dari keluarga ErbB memainkan peran penting dalam kanker manusia. Keluarga reseptor ErbB, juga dikenal sebagai reseptor faktor pertumbuhan epidermal (EGF), terdiri dari empat anggota: EGFR/ErbB1, ErbB2, ErbB3, dan ErbB4. EGFR dan ErbB2/HER2 terlibat dalam perkembangan berbagai jenis kanker manusia dan telah dikejar intensif sebagai target terapi. Penelitian ini bertujuan untuk mengoptimalkan pengayakan inhibitor reseptor tirosin kinase ErbB menggunakan pendekatan berbasis kecerdasan buatan (AI). Untuk mencapai tujuan tersebut tahapan yang diperlukan adalah mengembangkan model deep learning untuk memprediksi afinitas pengikatan inhibitor ErbB dengan akurat, dengan memanfaatkan berbagai fungsi skoring dan fitur molekuler Sidik Jari Morgan. Metode yang digunakan mencakup pengumpulan data dari basis data ChEMBL, perhitungan afinitas pengikatan dengan berbagai fungsi skoring, dan pengembangan model deep learning menggunakan jaringan saraf dengan arsitektur Keras dari TensorFlow. Hasil penelitian diharapkan dapat meningkatkan pemahaman kita tentang proses pengayakan inhibitor ErbB dan mempercepat identifikasi kandidat terapeutik baru untuk pengobatan kanker dengan menerapkan pendekatan kecerdasan buatan.