PENCARIAN RONGGA BERPOTENSI BINDING SITE  PROTEIN-LIGAN UNTUK DRUG DESIGN MENGGUNAKAN CONTEXT RELEVANT SELF ORGANIZING MAPS  (CRSOM)

SEARCH FOR DETECTION OF POTENTIAL PROTEIN-LIGAND BINDING SITE FOR DRUG DESIGN USING CONTEXT RELEVANT SELF ORGANIZING MAPS (CRSOM)

ABSTRAK

PENCARIAN RONGGA BERPOTENSI BINDING SITE  PROTEIN-LIGAN UNTUK DRUG DESIGN MENGGUNAKAN CONTEXT RELEVANT SELF ORGANIZING MAPS  (CRSOM)

Nama                             :     Antri Wulandari

NIM                                :     14030214015

Program Studi             :     S-1 Matematika

Jurusan                          :     Matematika

Fakultas                        :     Matematika dan Ilmu Pengetahuan Alam

Nama Lembaga          :     Universitas Negeri Surabaya

Pembimbing                :     Dr. Elly Matul Imah, M.Kom.

Penelitian mengenai binding site telah banyak dilakukan untuk menemukan ligan (calon obat) yang cocok agar bisa mengobati suatu penyakit tertentu. Binding site merupakan suatu rongga pada permukaan protein, yang berperan sebagai tempat melekatnya suatu ligan. Saat ini desain obat mulai banyak dikembangkan dengan berbantuan komputer. Dalam penelitian ini, prediksi binding site protein-ligan dirumuskan sebagai klasifikasi biner, yaitu sebagai pembeda daerah berpotensi mengikat ligan  dan daerah yang tidak berpotensi mengikat ligan. Dataset yang akan digunakan dalam penelitian ini yaitu diambil dari webserver RCSB Protein Data Bank (www.rcsb.org) sebanyak 14 data protein. Untuk menyelesaikan masalah klasifikasi tersebut, dipilihlah Context Relevant Self Organizing Maps (CRSOM) yang merupakan sebuah algoritma klasifikasi supervised learning yang memiliki representasi internal yang optimal. Yaitu mampu memisahkan data yang termasuk dalam kelas berbeda dengan margin yang lebih luas, sementara data untuk kelas yang sama dikaitkan satu sama lain. Dengan demikian, CRSOM mampu memvisualisasikan data dimensi tinggi protein ke dalam kelas binding site dan non binding site secara signifikan. Hasil dari penelitian ini diperoleh rata-rata akurasi testing sebesar 96,26 % dan rata-rata waktu test sebesar 28,63 detik.

Kata Kunci : Binding site protein ligan, Context Relevant Self Organizing Maps

ABSTRACT

SEARCH FOR DETECTION OF POTENTIAL PROTEIN-LIGAND BINDING SITE FOR DRUG DESIGN USING CONTEXT RELEVANT SELF ORGANIZING MAPS (CRSOM)

Name                             :     Antri Wulandari

NIM                                :     14030214015

Study Program            :     S-1 Mathematics

Department                  :     Mathematics

Faculty                           :     Mathematics and Natural Sciences

University                     :     State University of Surabaya

Advisor                         :     Dr. Elly Matul Imah, M.Kom.

Research on binding sites has been done to find suitable ligands to treat a particular diseases. Binding site is a pocket on the surface of the protein, which acts as a place to attach a ligand. In bioinformatics, searching for binding sites is applied to drug design problems. Currently, computer aided drug design has been developed. In this study, prediction of protein-ligand binding sites formulated as a binary classification, which is distinguish the location that has potential to binding the ligand and the location that has no potential to binding the ligand. The dataset that will be used in this research is taken from the RCSB Protein Data Bank webserver (www.rcsb.org) of 14 proteins data. To solve the classification problem, Context Relevant Self Organizing Maps (CRSOM) is chosen as a supervised learning classification algorithm that has an optimal internal representation, where data belonging different classes are separated with wider margin, while data belonging the same class are clustered closely to each other. Thus, CRSOM is able to visualize high-dimensional protein data into binding site and non-binding site classes significantly. The results of this study obtained an average testing accuracy of 96.26% and the average test time of 28.63 seconds.

Keywords: Protein-ligand binding sites, Context Relevant Self Organizing Maps