Big Data : Calon ‘Otak’ Penemuan Obat di Masa Depan

Farmasetika.com – Kehidupan kita di zaman ini nyaris tidak terpisahkan dengan konektivitas dan big data.

Apa itu big data?

Manusia terkoneksi satu dengan yang lainnya melalui internet; sementara itu, berbagai aktivitas manusia tercatat dan terkumpul membentuk database yang akrab disebut sebagai big data.

Konektivitas dan big data ini telah mengubah cara hidup masyarakat di seluruh dunia, misalnya pada aktivitas ekonomi (munculnya berbagai e-commerce, dll) dan pendidikan (massive online open course/MOOC).

Sebagai salah satu sektor industri yang vital, riset pengembangan obat juga sangat dipengaruhi oleh perkembangan big data dan analisisnya yang sangat pesat.

IBM dan aplikasi KnIT

IBM, sebuah perusahaan raksasa IT dunia, mengembangkan aplikasi Knowledge Integration Toolkit (KnIT) yang bertujuan untuk ‘membuat hipotesis’ arah pengembangan obat berdasarkan literatur-literatur ilmiah yang terdapat di berbagai database penelitian.

Aplikasi yang dikembangkan bersama dengan Baylor College of Medicine ini diharapkan mampu membantu peneliti untuk mengefisienkan penelitian yang akan dilakukan. Dengan aplikasi ini, peneliti dapat mengurangi eksperimen yang dilakukan secara trial and error sehingga dapat mengefisienkan penelitian dari segi waktu dan ekonomi.

Secara tradisional, peneliti melakukan studi literatur untuk menentukan ‘hipotesis’ yang akan dibuktikan dalam penelitiannya. Namun, studi literatur bukanlah hal yang mudah untuk dilakukan saat ini, terlepas dari tersedianya berbagai mesin pencari (Google, Pubmed, dll).

Setiap tahunnya, lebih dari 1 juta artikel ilmiah yang terbit. Dalam artikelnya mengenai aplikasi KnIT, IBM mengambil contoh penelitian tentang protein p53, salah satu protein yang menjadi target vital terapi kanker. Hingga tahun 2014, terdapat lebih dari 70.000 artikel ilmiah yang hanya membahas tentang rotein p53.

Lantas, bayangkan upaya yang harus dilakukan oleh peneliti untuk mampu ‘mencerna’ dan mewujudkan satu obat antikanker yang bertarget pada protein p53 dengan adanya ribuan hasil penelitian tersebut.

Aplikasi KnIT menggabungkan proses mining (penggalian dan ekstraksi data), visualisasi, dan analisis untuk mengidentifikasi fakta-fakta yang relevan dengan topik yang diinginkan. Fakta-fakta tersebut kemudian dianalisis dan akan menghasilkan hipotesis-hipotesis baru yang menarik dan kemungkinan besar dapat dibuktikan kebenarannya.

Terdapat 3 fase pada aplikasi KnIT, yaitu eksplorasi, interpretasi, dan analisis.

Pada fase eksplorasi, dilakukan desain text query (pertanyaan atau kata kunci) dan ekstraksi dokumen-dokumen yang relevan dengan topic penelitian.

Pada fase interpretasi, data-data dari dokumen yang sudah didapat dari fase eksplorasi dimasukkan ke dalam suatu grafik yang menggambarkan kesamaan hubungan dari berbagai komponen data tersebut. Grafik ini dapat membantu peneliti untuk menemukan hubungan ‘tersembunyi’ yang mungkin sulit untuk diketahui ketika peneliti melakukan studi literatur secara manual.

Fase terakhir adalah analisis, yaitu penentuan komponen data mana yang memiliki peringkat atau tingkat kebenaran paling tinggi. Komponen data dengan peringkat tinggi dapat menjadi hipotesis penelitian dengan tingkat kebenaran yang tinggi dan dapat diuji dengan uji lab eksperimental untuk menguji kebenarannya. Keseluruhan proses tersebut melibatkan berbagai algoritma komputasi yang rumit.

Uji coba KnIT pada terapi antikanker

Dalam uji coba aplikasi KnIT, IBM dan Baylor College of Medicine ingin menemukan protein kinase baru yang memodifikasi protein p53 dan dapat memberikan efek positif sebagai terapi antikanker.

Saat ini, terdapat lebih dari 500 protein kinase manusia dan hanya 33 yang diketahui dapat memodifikasi protein p53. Secara manual, diperlukan waktu berbulan-bulan untuk mengetahui hubungan antar-protein yang baru; dan tahunan untuk mengetahui pengaruhnya biologisnya kepada makhluk hidup.

Setelah menganalisis ribuan artikel ilmiah dengan KnIT, mereka menemukan sebanyak 252 protein kinase kemungkinan dapat memodifikasi protein p53 (bandingkan dengan ‘hanya’ 33 protein kinase yang terbukti berinteraksi dengan p53). Mereka juga membuat ‘ranking’ dari kandidat protein tersebut dan menyarankan bahwa kandidat protein dengan ranking tinggi (ranking tengah ke atas) adalah kandidat kuat protein yang benar-benar dapat memodifikasi protein p53.

Hasil analisis dari aplikasi KnIT ini kemudian divalidasi dengan eksperimen lab dan terbukti bahwa protein PKN1 dan NEK2, kandidat protein dengan ranking tertinggi, benar dapat memodifikasi protein p53.

Kesimpulan

Kolaborasi dari berbagai peneliti dan institusi dengan latar belakang yang berbeda (dalam hal ini adalah IT, statistika, sains computer, biologi, dan penemuan obat) tentu menjadi jalan untuk mengakselerasi kemajuan ilmu pengetahuan di masa depan. Dengan munculnya inovasi-inovasi seperti KnIT dan lainnya, kita berharap penelitian akan menjadi lebih efektif dan lebih cepat dinikmati hasilnya oleh masyarakat dunia.

Referensi:

Spangler, S., Wilkins, A.D., Bachman, B.J., Nagarajan, M., Dayaram, T., Haas, P., Regenbogen, S., Pickering, C.R., Comer, A., Myers, J.N. and Stanoi, I., 2014, August. Automated hypothesis generation based on mining scientific literature. In Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 1877-1886). ACM.