Berlandas pada tantangan klasik dalam penemuan obat, yaitu identifikasi interaksi obat–target (drug‑target interaction/DTI) secara cepat dan akurat, peneliti Maryam, Kil To Chong, dan Hilal Tayara memperkenalkan GINCOVNET—suatu jaringan saraf graf berlapis multimodul yang mengintegrasikan data genomik, proteomik, dan struktural dalam satu kerangka kerja terpadu. Model ini dirancang untuk mengatasi keterbatasan metode komputasi tradisional yang hanya mengandalkan satu jenis data—misalnya sekuens atau struktur kimia—sehingga gagal memahami kompleksitas mekanisme biologis nyata. GINCOVNET menggabungkan beragam modalitas data guna menciptakan representasi molekul obat dan protein target yang lebih holistik, sekaligus memanfaatkan konteks ekspresi gen yang diperturbasi oleh molekul tersebut, sehingga mampu menangkap interaksi tingkat seluler dan molekuler secara lebih informatif.
Dalam model ini, setiap modul memiliki peran tersendiri: sebagian memproses struktur molekul obat melalui graf atomik–ikatan; sebagian lain mengurai sekuens protein target; sedangkan modul tambahan menafsirkan perubahan ekspresi gen akibat interaksi spesifik. Tahap awal GINCOVNET mentransformasi representasi multimodal ini menjadi embeddings graf terstruktur, sebelum akhirnya digabungkan dalam mekanisme informasi antar-nodus. Pelatihan model secara end-to-end memastikan bahwa model tidak hanya belajar pola lokal dalam satu jenis data, namun juga sinergi di antara modalitas. Evaluasi eksperimental terhadap benchmark standar menunjukkan bahwa model ini menghasilkan koefisien determinasi (R²) sebesar 0,976 dan error rata‑rata absolut (mean absolute error/MAE) hanya 0,053—nilai ini secara signifikan lebih baik dibandingkan metode terdahulu.
Yang menarik, tim peneliti melakukan studi ablation untuk mengukur peran masing‑masing modalitas. Hasilnya menunjukkan bahwa penambahan modul ekspresi gen memberikan kontribusi nyata terhadap kinerja model. Artinya, interaksi molekul tidak hanya tercermin dari struktur dan sekuens, tetapi juga bagaimana sel merespons secara transkriptomik; model yang mengabaikan modul ini cenderung kurang sensitif mendeteksi interaksi fungsional meskipun secara struktural tampak menjanjikan.
Validasi lebih lanjut dilakukan melalui uji docking molekuler pada pasangan molekul–target yang dipilih secara acak. Proses in silico ini menunjukkan bahwa prediksi yang dihasilkan oleh GINCOVNET memiliki afinitas ikat yang konsisten dengan profil interaksi nyata, sekaligus mengonfirmasi kemampuannya dalam mengidentifikasi kandidat obat repurpose maupun calon terapeutik baru. Dengan demikian, GINCOVNET tak sekadar model prediksi matematis, tetapi juga berdasar pada bukti molekular yang dapat diuji kembali melalui eksperimen.
Secara konseptual, GINCOVNET mengusung pendekatan fusi data (data fusion) yang menggabungkan aspek genomik, proteomik, dan struktur kimia dalam satu kerangka graf. Hal ini membawa inovasi nyata dibandingkan metode konvensional yang umumnya berbasis sekuens (misalnya metode homologi) atau hanya struktur (misalnya docking atau fingerprint chemoinformatik). Dengan mengolah informasi lintas dimensi, model ini lebih mampu mencerminkan kompleksitas dunia nyata—yang terstruktur secara simultan dalam komposisi kimia, sekuens biologis, dan dinamika genetik.
Dari segi aplikasi, GINCOVNET memiliki potensi besar dalam mempercepat penemuan obat dan reposisi obat (drug repurposing). Prediksi yang akurat dan cepat memungkinkan skrining in silico terhadap pustaka besar molekul kecil, sehingga mempersempit kandidat untuk uji laboratorium dengan lebih efisien. Hal ini sangat relevan ketika sumber daya eksperimental terbatas atau waktu menjadi kritis, misalnya dalam situasi wabah penyakit baru atau kebutuhan respons terapeutik cepat.
Namun, seperti setiap metode, GINCOVNET juga memiliki tantangan implisit. Salah satunya adalah kebutuhan data ekspresi gen yang berkualitas tinggi dan relevan untuk target tertentu. Ketersediaan data semacam ini seringkali menjadi pembatas, terutama untuk protein dari spesies non-model atau kondisi sel spesifik. Oleh karena itu, pengembangan lanjutan perlu memastikan aksesibilitas dan ketersediaan database ekspresi gen lengkap, serta memperluas modul agar dapat menangani ketidakharmonisan antar set data.
Ke depannya, integrasi lebih jauh dapat dilakukan dengan menambahkan modul visualisasi grafik interaktif, modul pengetesan simulasi molekuler tambahan, atau dukungan interpretabilitas yang membantu ilmuwan memahami fitur apa yang menjadi faktor utama dalam prediksi interaksi. Model ini juga dapat diperluas menuju konteks jaringan patologis, seperti interaksi ganda antara obat, target, dan jalur seluler—yang menjadi landasan utama dalam pengembangan terapi kombinasi.
Ringkasnya, publikasi Maryam dan tim menghadirkan kontribusi penting dalam bidang komputasi prediksi interaksi obat–target dengan pendekatan graf multimodul. GINCOVNET menunjukkan bahwa penggabungan data genomik, proteomik, dan struktur menghasilkan model yang kuat, akurat, dan menjanjikan untuk aplikasi praktis penemuan obat dan terapi presisi. Model ini membuka jalan bagi paradigma baru dalam desain obat digital yang cepat, berbasis bukti multiomic, dan mampu menjembatani antara komputasi canggih dengan kebutuhan biologi dan farmasi nyata.
Sumber:
Leave a Reply