Makassar — Perkembangan metode komputasi membuka peluang untuk mempercepat pencarian kandidat obat dari produk alam tanpa harus langsung melakukan seluruh rangkaian pengujian di laboratorium. Temuan tersebut dibahas dalam kajian Wahyuni Agus dan Fauziah Hasdin dari Universitas Negeri Makassar yang diterbitkan pada 2026. Kajian ini menunjukkan bahwa prediksi target, network pharmacology, molecular docking, dan prediksi ADMET dapat diintegrasikan menjadi satu alur untuk membantu mengidentifikasi, memahami, dan memprioritaskan senyawa alami yang berpotensi dikembangkan sebagai kandidat obat.
Produk alam selama ini menjadi salah satu sumber penting dalam penemuan obat karena memiliki struktur kimia yang beragam dan berbagai aktivitas biologis. Sejumlah obat telah dikembangkan dari senyawa alami maupun turunannya untuk menangani penyakit seperti kanker, infeksi, dan gangguan inflamasi. Kekayaan tersebut membuat produk alam tetap menjadi perhatian dalam pencarian kandidat terapi baru.
Namun, menemukan senyawa yang benar-benar berpotensi menjadi obat membutuhkan proses panjang. Pendekatan konvensional dapat melibatkan penyaringan senyawa dalam jumlah besar, identifikasi target biologis, serta berbagai pengujian farmakologis. Proses tersebut membutuhkan waktu, tenaga, dan biaya yang tidak sedikit. Perkembangan biologi komputasi dan bioinformatika kemudian memberikan alternatif dengan memungkinkan peneliti melakukan analisis awal secara in silico sebelum kandidat masuk ke tahap pengujian eksperimental.
Wahyuni Agus dan Fauziah Hasdin mengulas empat pendekatan komputasi utama yang dapat digunakan secara berurutan. Keempatnya adalah prediksi target, network pharmacology, molecular docking, dan prediksi ADMET. Menurut kajian tersebut, setiap metode memberikan informasi berbeda yang saling melengkapi sehingga dapat digunakan untuk menyaring kandidat obat secara lebih sistematis.
Kajian ini menggunakan metode narrative literature review. Penulis menelusuri artikel ilmiah melalui Scopus, Web of Science, PubMed, dan Google Scholar dengan kata kunci yang berkaitan dengan produk alam, penemuan obat berbasis komputasi, prediksi target, network pharmacology, molecular docking, dan prediksi ADMET. Literatur yang menjadi prioritas adalah publikasi peer-reviewed pada periode 2015 hingga 2025. Artikel yang relevan kemudian dianalisis berdasarkan tema penerapan, integrasi metode, tantangan, dan peluang pengembangan pendekatan komputasi dalam penemuan obat berbasis produk alam.
Dalam alur yang dirangkum penulis, proses dimulai dari produk alam, seperti tanaman obat, organisme laut, mikroorganisme, dan jamur. Senyawa yang terdapat di dalam produk tersebut kemudian diidentifikasi sebelum dianalisis menggunakan beberapa pendekatan komputasi. Diagram pada halaman 4 memperlihatkan urutan analisis mulai dari target prediction, dilanjutkan dengan network pharmacology, molecular docking, dan ADMET prediction. Hasil dari rangkaian tersebut digunakan untuk memprioritaskan senyawa yang paling menjanjikan sebelum dilakukan validasi eksperimental secara in vitro maupun in vivo.
Tahap pertama adalah prediksi target. Pendekatan ini digunakan untuk memperkirakan protein atau target biologis yang kemungkinan berinteraksi dengan suatu senyawa aktif. Berbagai platform berbasis web dapat melakukan prediksi tersebut dengan memanfaatkan kemiripan struktur kimia, pemetaan farmakofor, hingga algoritma machine learning. Hasilnya dapat memberikan gambaran awal mengenai target biologis yang perlu diperhatikan pada tahap berikutnya.
Tahap berikutnya adalah network pharmacology. Berbeda dari pendekatan yang hanya melihat satu target, metode ini membantu memahami hubungan antara senyawa, berbagai target protein, serta jalur biologis. Analisis jaringan interaksi protein dan pengayaan jalur dapat digunakan untuk mengidentifikasi target yang berpotensi penting serta membantu menjelaskan mekanisme kerja senyawa alami yang memiliki banyak komponen dan banyak target.
Molecular docking kemudian digunakan untuk mengevaluasi kemungkinan interaksi antara senyawa dan protein target. Metode ini dapat memperkirakan kekuatan ikatan atau binding affinity antara keduanya. Hasil docking membantu peneliti menilai interaksi molekuler sekaligus menyaring senyawa yang memiliki karakteristik interaksi yang lebih menjanjikan untuk dikembangkan lebih lanjut.
Tahap terakhir adalah prediksi ADMET, yang mencakup aspek penyerapan, distribusi, metabolisme, ekskresi, dan toksisitas. Analisis ini membantu memperkirakan karakteristik farmakokinetik serta potensi toksisitas suatu senyawa sebelum dilakukan pengujian eksperimental. Dengan melakukan evaluasi tersebut lebih awal, peneliti dapat memprioritaskan senyawa yang memiliki karakteristik lebih sesuai sebagai kandidat obat.
Kajian literatur menunjukkan bahwa tidak ada satu metode komputasi yang cukup untuk menggambarkan seluruh potensi terapeutik suatu produk alam. Prediksi target dapat membantu menemukan target protein, network pharmacology memberikan gambaran mengenai hubungan senyawa dan jalur biologis, molecular docking mengevaluasi interaksi senyawa dengan protein, sedangkan ADMET membantu menilai karakteristik farmakokinetik dan toksisitas. Integrasi keempatnya menghasilkan informasi yang lebih lengkap dibandingkan penggunaan masing-masing metode secara terpisah.
Pendekatan terpadu tersebut juga berpotensi mengurangi waktu dan biaya pada tahap awal penemuan obat. Senyawa yang kurang menjanjikan dapat disaring terlebih dahulu melalui analisis komputasi sehingga sumber daya eksperimental dapat lebih difokuskan pada kandidat yang memiliki prospek lebih baik. Kajian penulis menunjukkan bahwa perkembangan metode in silico telah mengubah proses penemuan obat dari penggunaan metode komputasi secara individual menuju alur yang lebih terintegrasi.
Meski demikian, hasil prediksi komputasi tetap memiliki keterbatasan. Akurasi prediksi sangat dipengaruhi oleh kualitas basis data kimia dan biologis serta algoritma yang digunakan. Perbedaan algoritma juga dapat menghasilkan hasil yang tidak selalu konsisten. Selain itu, simulasi komputer belum mampu sepenuhnya menggambarkan kompleksitas sistem biologis yang sebenarnya. Karena itu, hasil in silico tetap membutuhkan konfirmasi melalui pengujian eksperimental.
Penelitian di masa mendatang diperkirakan akan semakin menggabungkan kecerdasan buatan, data multi-omics, dan simulasi dinamika molekuler. Machine learning dan deep learning berpotensi meningkatkan kemampuan prediksi target, penyaringan virtual, serta evaluasi ADMET dengan memanfaatkan data biologis yang semakin kompleks. Perkembangan basis data publik dan algoritma prediktif juga diharapkan meningkatkan keandalan proses identifikasi kandidat obat.
Bagi dunia farmasi dan penelitian kesehatan, pendekatan tersebut memberikan peluang untuk melakukan penyaringan kandidat obat secara lebih efisien sebelum masuk ke tahap laboratorium. Bagi penelitian produk alam, metode ini juga dapat membantu mengungkap potensi senyawa dari tanaman, organisme laut, jamur, maupun sumber alami lainnya yang sebelumnya belum banyak dikaji.
Wahyuni Agus dan Fauziah Hasdin menyimpulkan bahwa integrasi prediksi target, network pharmacology, molecular docking, dan prediksi ADMET dapat menjadi kerangka praktis untuk mempercepat penemuan obat berbasis produk alam. Pendekatan tersebut membantu peneliti memahami target biologis, mekanisme molekuler, interaksi senyawa-protein, serta karakteristik farmakokinetik sebelum kandidat dipastikan melalui penelitian eksperimental.
Namun, kajian ini memiliki keterbatasan karena hanya membahas empat pendekatan komputasi utama dan tidak melakukan validasi eksperimental maupun meta-analisis kuantitatif. Penulis merekomendasikan penelitian selanjutnya untuk menggabungkan lebih banyak metode komputasi dengan validasi laboratorium, termasuk pemanfaatan kecerdasan buatan, simulasi dinamika molekuler, dan analisis multi-omics.
Profil Penulis
Wahyuni Agus — Universitas Negeri Makassar.
Fauziah Hasdin — Universitas Negeri Makassar.
Sumber Penelitian
Judul Artikel: Integrated Computational Approaches for Natural Product-Based Drug Discovery: Target Prediction, Network Pharmacology, Molecular Docking, and ADMET Prediction
Jurnal: East Asian Journal of Multidisciplinary Research (EAJMR), Vol. 5 No. 8, 2026, halaman 3475–3486.
DOI: https://doi.org/10.55927/eajmr.v5i8.279
Link Jurnal: https://journaleajmr.my.id/index.php/eajmr
0 Komentar