Pengembangan Sistem Prediksi Sensitivitas Obat pada Triple Negative Breast Cancer Menggunakan Kecerdasan Buatan dan Integrasi Database Pharmacogenomics

Zunaarta, Firza Aji (2025) Pengembangan Sistem Prediksi Sensitivitas Obat pada Triple Negative Breast Cancer Menggunakan Kecerdasan Buatan dan Integrasi Database Pharmacogenomics. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5023211002-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Triple negative breast cancer (TNBC) merupakan subtipe kanker payudara yang tidak mengekspresikan reseptor estrogen, progesteron, maupun human epidermal growth factor 2, sehingga kurang merepon terapi hormonal dan penanganannya bergantung pada kemoterapi. Namun, respon antarsubtipe sangat bervariasi dan cenderung memiliki prognosis yang buruk. Sebagai upaya untuk mengatasi keterbatasan terapi konvensional dan lambatnya pengembangan obat baru, penelitian ini mengembangkan sistem prediksi sensitivitas obat berbasis multitask quantitative structure-activity relationship deep neural network (MTL QSAR DNN) untuk prediksi IC50 secara supervised. Prediksi ini dikombinasikan dengan metode metode fuzzy c-means (FCM) untuk menginterpretasikan sensitivitas IC50 secara unsupervised di masing-masing subtipe TNBC. Sistem ini dirancang untuk memprediksi nilai IC50 obat terhadap masing-masing pathway dalam TNBC dengan mempertimbangkan fitur molekular obat dan data genomik sel kanker. Data training diperoleh dari GDSC dan Cell Model Passport, sedangkan data untuk menunjang informasi diperoleh dari PubChem, DrugBank, dan DrugMap. Fitur genomik diekstraksi menggunakan variational autoencoder (VAE) dan fitur obat menggunakan Padel molecular descriptor. Model MTL QSAR DNN menghasilkan prediksi IC50 per pathway, yang kemudian diklasifikasikan menggunakan FCM. Evaluasi model menunjukkan performa prediksi yang stabil dengan nilai R² sebesar 0,8046 dan MAE sebesar 0,2961. Validitas segmentasi sensitivitas dibuktikan dengan indeks Xie-Beni dan pelabelan berbasis nilai rata-rata IC50 pada masing-masing cluster. Nilai segmentasi juga divalidasi dengan standard error of the mean, yang menunjukkan rata-rata SEM sebesar 0,049 di seluruh cluster. Uji statistik ANOVA dan Kruskal-Wallis menunjukkan perbedaan signifikan (p-value < 0,005) antarcluster untuk setiap subtipe. Eksplorasi drug repositioning menghasilkan 15 kandidat obat potensial untuk TNBC. Sistem ini direalisasikan dalam bentuk antarmuka web yang mendukung input molekul obat baru. Meskipun belum divalidasi menggunakan data pasien atau uji in vitro, sistem ini dapat menjadi kerangka awal untuk eksplorasi dan reposisi obat berbasis data genomik TNBC.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	deep neural network, fuzzy c-means, obat, triple negative breast cancer, deep neural network, drug, fuzzy c-means, and triple negative breast cancer
Subjects:	Q Science > QA Mathematics > QA9.64 Fuzzy logic Q Science > QH Biology > QH301 Biology Q Science > QH Biology > QH426 Genetics R Medicine > R Medicine (General) > R858 Deep Learning R Medicine > RC Internal medicine > RC0254 Neoplasms. Tumors. Oncology (including Cancer) R Medicine > RS Pharmacy and materia medica
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis
Depositing User:	Firza Aji Zunaarta
Date Deposited:	04 Aug 2025 04:40
Last Modified:	04 Aug 2025 04:40
URI:	http://repository.its.ac.id/id/eprint/126240

Actions (login required)

View Item