by INBIO

"Connecting The Dots of Sciences"

Trending

Arli Aditya Parikesit                 
1622 0 1
Sains dan Teknologi April 16 9 Min Read

Desain in silico siRNA dengan Tools Bioinformatika untuk keperluan Terapetik




Dalam dunia biomedis, desain in silico small interfering RNA (siRNA) merupakan langkah penting dalam pengembangan terapi penyakit menular seperti COVID-19 dan tidak menular seperti kanker pada umumnya. Teknologi siRNA menawarkan potensi besar dalam mengobati berbagai penyakit dengan cara menghambat ekspresi gen tertentu yang bertanggung jawab atas kondisi patologis. Pendekatan bioinformatika dalam desain siRNA memungkinkan para peneliti untuk secara efisien mengidentifikasi urutan siRNA yang paling efektif untuk target gen spesifik, mengurangi waktu dan biaya yang terkait dengan eksperimen laboratorium.

Proses desain siRNA melibatkan pemilihan urutan siRNA yang tidak hanya memiliki afinitas tinggi terhadap mRNA target, tetapi juga minim efek risiko off-target yang dapat mempengaruhi ekspresi gen lain. Hal ini memerlukan analisis komprehensif terhadap struktur sekunder dan tersier RNA, termasuk prediksi lokasi pengikatan siRNA dan mRNA, serta evaluasi potensi efek samping seperti efek toksisitas maupun farmakologis (Gambar 1).

Gambar 1. Gambaran desain siRNA yang efektif berdasarkan rekomendasi urutan dan basa modifikasi yang disarankan untuk memberikan karakteristik spesifik yang diharapkan.

Beberapa studi telah menunjukkan pentingnya pemilihan fitur dalam desain siRNA. Sebuah studi oleh Liu et al. (2012) mengeksplorasi desain siRNA berbasis seleksi fitur dari perspektif integrasi data lintas platform. Penelitian ini mengungkapkan fitur-fitur siRNA yang paling relevan berdasarkan eksperimen lintas platform, yang dapat memberikan saran yang lebih kredibel dalam meningkatkan desain siRNA dengan target silencing spesifik. Pendekatan ini dikembangkan berbasis machine learning.

Selain itu, pendekatan multi-task learning untuk prediksi efikasi siRNA lintas platform juga telah diusulkan, seperti yang dijelaskan dalam studi oleh Liu et al. (2010). Pendekatan ini memanfaatkan sinergi antar eksperimen yang berbeda untuk mendapatkan prediktor multi-task yang efisien dalam prediksi efikasi siRNA. Sama dengan kajian sebelumnya, pendekatan ini juga berbasis machine learning.

Tidak mau ketinggalan, tim penelitian Bioinfromatika dari  Indonesia International Institute for Life Sciences atau i3L juga mengembangkan metodologi desain siRNA. Sebagai kampus berbasis life sciences,  tim peneliti mencoba mengaplikasikan bioinformatika untuk desain siRNA terkait penyakit COVID-19 dan Kanker (Parikesit et al., 2022; Valeska dan Parikesit, 2022). Berbeda dengan kajian di atas, metodologi yang dikembangkan yaitu menggunakan prediksi struktur 2 dan 3-dimensi RNA sebagai basis untuk melakukan simulasi molekuler.  

Kedepannya, penggunaan tools bioinformatika dalam desain siRNA tidak hanya meningkatkan kemungkinan sukses dalam terapi berbagai penyakit, tetapi juga membuka jalan bagi penemuan obat baru dan strategi pengobatan yang lebih personal. Dengan kemajuan teknologi dan pemahaman yang lebih dalam tentang mekanisme RNA interference (RNAi), masa depan desain siRNA in silico tampaknya akan semakin cerah dan berdampak signifikan dalam bidang life sciences.

 

Referensi:

  1. Liu Q, Zhou H, Cui J, Cao Z, Xu Y (2012) Reconsideration of In-Silico siRNA Design Based on Feature Selection: A Cross-Platform Data Integration Perspective. PLoS ONE 7 (5): e37879.
  2. Liu Q, Xu Q, Zheng VW, Xue H, Cao Z, Yang Q (2010) Multi-task learning for cross-platform siRNA efficacy prediction: an in-silico study. BMC Bioinformatics 11:181
  3. Parikesit, A. A., Ansori, A. N. M., & Kharisma, V. D. (2022). A Computational Design of siRNA in SARS-CoV-2 Spike Glycoprotein Gene and Its Binding Capability toward mRNA. Indonesian Journal of Chemistry, 22(5), 1163. https://doi.org/10.22146/ijc.68415
  4. V, M. D., & Parikesit, A. A. (2022). Determination of 3D Structure and Molecular Interaction for mir- 135b and Its Silencer as Triple Negative Breast Cancer ( TNBC ) Biomarkers. Berkala Penelitian Hayati, 28(1), 1–7. https://doi.org/10.23869/bphjbr.28.1.202210


 


Editor:     Rezekinta Syahputra Sembiring                 

AUTHOR

Bagikan ini ke sosial media anda

(0) Komentar

Berikan Komentarmu

Tentang Generasi Peneliti

GenerasiPeneliti.id merupakan media online yang betujuan menyebarkan berita baik seputar akademik, acara akademik, informasi sains terkini, dan opini para akademisi. Platform media online dikelola secara sukarela (volunteers) oleh para dewan editor dan kontributor (penulis) dari berbagai kalangan akademisi junior hingga senior. Generasipeneliti.id dinaungi oleh Lembaga non-profit Bioinformatics Research Center (BRC-INBIO) http://brc.inbio-indonesia.org dan berkomitmen untuk menjadikan platform media online untuk semua peneliti di Indonesia.


Our Social Media

Hubungi Kami


WhatsApp: +62 895-3874-55100
Email: layanan.generasipeneliti@gmail.com

Kami menerima Kerjasama dengan semua pihak yang terkait dunia akademik atau perguruan tinggi.











Flag Counter

© Generasi Peneliti. All Rights Reserved.