Deep learning merupakan cabang dari machine learning yang diciptakan mirip sturktur otak manusia. Metode ini merupakan bentuk jaringan syaraf yang memiliki tiga atau lebih lapisan Artificial Neural Network (ANN). Pendekatan deep learning mampu menyelesaikan dan beradaptasi terhadap masalah dan tugas yang diberikan. Salah satu algoritma dalam deep learning adalah Convolutional Neural Network (CNN).

Pendekatan Deep Learning merupakan tren baru dalam kajian molecular docking. Gnina adalah perangkat lunak turunan software docking dari Smina dan Autodock Vina yang dikembangkan oleh David Koes dan tim dari University of Oxford dan University of Pittsburgh. Pendekatan yang digunakan Gnina dalam fungsi skoring adalah Convolutional Neural Network (CNN). CNN merupakan jenis neural network yang banyak digunakan untuk pengenalan dan klasifikasi citra atau objek. Perhitungan CNN dilakukan untuk memprediksi skor pose (probabilitas pose memiliki Root Mean Score Deviation (RMSD) ke pose pengikatan) dan pengikatan afinitas (pK), skor pose ini digunakan untuk pengoptimalan pose pada hasil akhir.

Gnina mampu membuat grid box dengan pendekatan deep learning. Grid Box di Gnina disebut dengan (autobox_ligand). Pendekatan yang digunakan yaitu binding site didefinisikan sebagai box Cartesian dimana otomatis akan dibuat prisma dalam bentuk rektangular untuk membuat nilai maksimun koordinat dari x, y, dan z. Berbeda dengan Autodock Vina, grid box (autobox_ligand) di Gnina tersimpan otomatis datanya dalam file Ligand.pdb.

Kelebihan Gnina yaitu secara default Gnina akan menambahkan hidrogen ke ligand. Gnina dapat dijalankan menggunakan Google Colab sehingga tidak perlu instalasi di komputer, visualisasi juga dapat menggunakan py3Dmol merupakan perangkat lunak berbasis python yang bisa dijalankan di google colab. Meskipun Gnina adalah turunan autodock Vina, Gnina bisa langsung membaca file dengan format Protein Data Bank (pdb).  Konfigurasi dengan GPU juga dapat dilakukan sehingga mampu mempercepat proses Virtual Screening dan Docking.

Perangkat lunak ini juga mampu melakukan flexible docking. Gnina mampu membuat side chain pada protein menjadi flexible dengan cara pendekatan pencarian konformasi terbaik dari Monte Carlo. Fleksibilitas side chain juga dapat diatur sesuai dengan kebutuhan. Hasil docking protein-ligand menggunakan Gnina akan memberikan skor afinitas (Kcal/mol), CNN affinity, dan CNN Pose.

Video penggunaan Gnina dapat di lihat pada video dibawah ini.

Referensi:

1. https://github.com/gnina/gnina
2. https://jcheminf.biomedcentral.com/articles/10.1186/s13321-021-00522-2
3. https://pubmed.ncbi.nlm.nih.gov/34885952/