Desain Molekul Kandidat Inhibitor Monoamine Oxidase-B Menggunakan Model Drugex Dan Evaluasi Admet Secara in Silico

Abstract

Penyakit Parkinson adalah gangguan neurodegeneratif yang ditandai dengan degenerasi neuron dopaminergik, yang menyebabkan penurunan kadar dopamin di otak. Salah satu strategi terapeutik yang banyak dikembangkan adalah penghambatan enzim monoamine oxidase B (MAO-B) untuk mencegah degradasi dopamin. Penelitian ini bertujuan untuk merancang molekul kandidat penghambat MAO-B secara *de novo* menggunakan model generatif berbasis *reinforcement learning* bernama DrugEx, memprediksi aktivitas biologisnya menggunakan model *Quantitative Structure–Property Relationship* (QSPR), serta mengevaluasi sifat kemiripan obat (*drug-likeness*) dan profil ADMET secara *in silico*. Kumpulan data penghambat MAO-B diperoleh dari basis data ChEMBL dan digunakan untuk membangun model QSPR berbasis *Random Forest* sebagai fungsi *reward* dalam proses *reinforcement learning*. Hasil penelitian menunjukkan bahwa model generatif berhasil menciptakan 1.000.000 molekul baru, dengan 60.316 molekul memiliki prediksi nilai pIC50 ≥ 6,5 dan 911 molekul memiliki prediksi nilai pIC50 > 7,5. Seleksi terhadap 1.000 molekul dengan prediksi nilai pIC50 tertinggi menghasilkan 959 molekul dengan SAScore ≤ 4,5 dan 554 molekul yang memenuhi seluruh kriteria *Lipinski’s Rules*. Evaluasi lebih lanjut terhadap profil ADMET, analisis kemiripan struktural, dan analisis kebaruan menghasilkan 49 molekul kandidat penghambat MAO-B dengan profil ADMET yang baik, kemiripan struktural yang rendah terhadap penghambat MAO-B yang telah disetujui (dengan koefisien Tanimoto maksimum sekitar 0,34), serta tingkat kebaruan yang tinggi berdasarkan penelusuran pada basis data Chemspace. Integrasi antara model generatif DrugEx, prediksi QSPR, dan evaluasi ADMET terbukti efektif dalam mengidentifikasi kandidat penghambat MAO-B baru yang berpotensi untuk dikembangkan lebih lanjut melalui studi *molecular docking*, simulasi dinamika molekuler, dan validasi eksperimental.